构建信号预测模型的方法、设备及信号预测的方法、设备与流程

本技术涉及信号处理领域，并且更具体地涉及用于构建信号预测模型的方法、计算机设备、计算机可读存储介质以及信号预测的方法、计算机设备、计算机可读存储介质。

背景技术：

1、为了提高车辆的安全性和智能化水平，车辆中使用的传感器种类和数量越来越多，例如，在车辆的电驱系统、安全系统、智能驾驶辅助系统、电池管理系统等系统中会设置各种传感器。然而，各种传感器的设置增加了车辆的生产成本，并且增加了车辆设计的复杂性。

技术实现思路

1、为了解决或至少缓解以上问题中的一个或多个，提供了以下技术方案。

2、按照本技术的第一方面，提供一种用于构建信号预测模型的方法，所述方法包括下列步骤：获取传感器信号的训练样本，所述传感器信号的训练样本包括预处理的传感器信号；将所述传感器信号的训练样本输入至多神经网络融合模型，以输出对应于所述传感器信号的训练样本的预测信号；以及至少基于所述预测信号构建信号幅度损失函数和信号频率损失函数，并基于构建的信号幅度损失函数与信号频率损失函数的组合损失函数对所述多神经网络融合模型进行训练，以构建所述信号预测模型。

3、根据本技术一实施例所述的用于构建信号预测模型的方法，其中所述预处理的传感器信号包括以下中的一个或多个：预处理的振动信号、预处理的电流信号和预处理的旋变信号。

4、根据本技术一实施例或以上任一实施例的所述的用于构建信号预测模型的方法，其中所述预处理的传感器信号通过以下方式来获取：获取传感器信号；利用变分模态分解算法对所述传感器信号进行降噪处理；以及对降噪处理的传感器信号执行时域处理操作、频域处理操作和平滑处理操作中的一个或多个，以获取所述预处理的传感器信号。

5、根据本技术一实施例或以上任一实施例的所述的用于构建信号预测模型的方法，其中利用变分模态分解算法对所述传感器信号进行降噪处理包括：利用变分模态分解算法将所述传感器信号分解为具有不同中心频率和有限带宽的本征模态函数的集合；基于所述本征模态函数的集合识别所述传感器信号中的噪声分量；以及将识别的所述传感器信号中的噪声分量从所述传感器信号中移除，以对所述传感器信号进行降噪处理。

6、根据本技术一实施例或以上任一实施例的所述的用于构建信号预测模型的方法，其中所述时域处理操作、所述频域处理操作和所述平滑处理操作分别通过以下方式来执行：获取多个时刻的降噪处理的传感器信号值并基于所述多个时刻之间的关联性来对降噪处理的传感器信号执行所述时域处理操作；获取多个时刻的降噪处理的传感器信号值的频域信息并基于所述频域信息的主频分量的逆变换来对降噪处理的传感器信号执行所述频域处理操作；以及获取多个时刻的降噪处理的传感器信号值并对所述多个时刻的传感器信号值进行平滑处理来对降噪处理的传感器信号执行所述平滑处理操作。

7、根据本技术一实施例或以上任一实施例的所述的用于构建信号预测模型的方法，其中所述多神经网络融合模型包括以下神经网络模型中的至少两个：基于梯度提升决策树的神经网络模型、用于表格型数据的神经网络模型和时间循环神经网络模型。

8、根据本技术一实施例或以上任一实施例的所述的用于构建信号预测模型的方法，其中将所述传感器信号的训练样本输入至多神经网络融合模型，以输出对应于所述传感器信号的训练样本的预测信号包括：将所述传感器信号的训练样本分别输入至所述多神经网络融合模型的各个神经网络模型，以分别得到各个神经网络模型的输出结果；以及对各个神经网络模型的输出结果进行加权平均处理，以输出对应于所述传感器信号的训练样本的预测信号。

9、根据本技术一实施例或以上任一实施例的所述的用于构建信号预测模型的方法，其中至少基于所述预测信号构建信号幅度损失函数包括：利用动态时间规整算法确定所述预测信号与对应于所述训练样本的样本标签之间的差异度；以及基于所述差异度构建所述信号幅度损失函数。

10、根据本技术一实施例或以上任一实施例的所述的用于构建信号预测模型的方法，其中至少基于所述预测信号构建信号频率损失函数包括：对所述预测信号和对应于所述训练样本的样本标签进行傅里叶变换以分别获取所述预测信号的主频成分和所述对应于所述训练样本的样本标签的主频成分；确定所述预测信号的主频成分与所述对应于所述训练样本的样本标签的主频成分之间的差异信息；以及基于所述差异信息构建所述信号频率损失函数。

11、根据本技术一实施例或以上任一实施例的所述的用于构建信号预测模型的方法，其中所述组合损失函数通过以下方式来获取：对构建的信号幅度损失函数与信号频率损失函数进行加权求和，以得到所述组合损失函数。

12、根据本技术一实施例或以上任一实施例的所述的用于构建信号预测模型的方法，其中在所述加权求和期间，对应于构建的信号幅度损失函数的权重和对应于信号频率损失函数的权重通过以下方式来动态调整：响应于所述预测信号与对应于所述训练样本的样本标签之间的幅度差异度大于所述预测信号与对应于所述训练样本的样本标签之间的频率差异度而将对应于构建的信号幅度损失函数的权重调整为大于对应于信号频率损失函数的权重；响应于所述预测信号与对应于所述训练样本的样本标签之间的幅度差异度小于所述预测信号与对应于所述训练样本的样本标签之间的频率差异度而将对应于构建的信号幅度损失函数的权重调整为小于对应于信号频率损失函数的权重；以及响应于所述预测信号与对应于所述训练样本的样本标签之间的幅度差异度等于所述预测信号与对应于所述训练样本的样本标签之间的频率差异度而将对应于构建的信号幅度损失函数权重和对应于信号频率损失函数的权重分别调整至预设权重。

13、按照本技术的第二方面，提供一种用于构建信号预测模型的计算机设备，所述计算机设备包括：存储器；与所述存储器耦合的处理器；以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述计算机程序的运行导致执行根据本技术的第一方面所述的用于构建信号预测模型的方法的步骤。

14、根据本技术的第三方面，提供一种计算机存储介质，其包括指令，所述指令在运行时执行根据本技术的第一方面所述的用于构建信号预测模型的方法的步骤。

15、根据本技术的第四方面，提供一种信号预测的方法，所述方法包括下列步骤：获取第一传感器信号和第二传感器信号；将所述第一传感器信号和第二传感器信号输入至根据本技术的第一方面所述的用于构建信号预测模型的方法构建的信号预测模型，以预测第三传感器信号。

16、按照本技术的第五方面，提供一种信号预测的计算机设备，所述计算机设备包括：存储器；与所述存储器耦合的处理器；以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述计算机程序的运行导致执行根据本技术的第四方面所述的信号预测的方法的步骤。

17、根据本技术的第六方面，提供一种计算机存储介质，其包括指令，所述指令在运行时执行根据本技术的第四方面所述的信号预测的方法的步骤。

18、根据本技术的一个或多个实施例的用于构建信号预测模型的方案能够通过信号幅度损失函数与信号频率损失函数的组合损失函数对多神经网络融合模型进行训练，以构建信号预测模型，从而能够充分考虑传感器信号的时域中的幅度信息和频域中的周期信息，以准确还原待预测信号的时间序列形状，提高了信号预测模型的预测准确性。根据本技术的一个或多个实施例的信号预测的方案能够在不增加待新增传感器的情况下实现对待新增传感器的输出信号的准确拟合，由此能够降低硬件成本和设计复杂性。

技术特征：

1.一种用于构建信号预测模型的方法，其特征在于，所述方法包括下列步骤：

2.根据权利要求1所述的方法，其中所述预处理的传感器信号包括以下中的一个或多个：预处理的振动信号、预处理的电流信号和预处理的旋变信号。

3.根据权利要求1所述的方法，其中所述预处理的传感器信号通过以下方式来获取：

4.根据权利要求1所述的方法，其中所述多神经网络融合模型包括以下神经网络模型中的至少两个：基于梯度提升决策树的神经网络模型、用于表格型数据的神经网络模型和时间循环神经网络模型，

5.根据权利要求1所述的方法，其中至少基于所述预测信号构建信号幅度损失函数包括：

6.一种用于构建信号预测模型的计算机设备，其特征在于，所述计算机设备包括：

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括指令，所述指令在运行时执行根据权利要求1-5中的任一项所述的用于构建信号预测模型的方法。

8.一种信号预测的方法，其特征在于，所述方法包括下列步骤：

9.一种信号预测的计算机设备，其特征在于，所述计算机设备包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括指令，所述指令在运行时执行根据权利要求8所述的信号预测的方法。

技术总结
本申请涉及信号处理领域，并且更具体地涉及用于构建信号预测模型的方法、计算机设备、计算机可读存储介质以及信号预测的方法、计算机设备、计算机可读存储介质。本申请的一个方面的用于构建信号预测模型的方法包括下列步骤：获取传感器信号的训练样本，所述传感器信号的训练样本包括预处理的传感器信号；将所述传感器信号的训练样本输入至多神经网络融合模型，以输出对应于所述传感器信号的训练样本的预测信号；以及至少基于所述预测信号构建信号幅度损失函数和信号频率损失函数，并基于构建的信号幅度损失函数与信号频率损失函数的组合损失函数对所述多神经网络融合模型进行训练，以构建所述信号预测模型。

技术研发人员：魏浩,王凯,巩鑫,孙永朝,王蓓
受保护的技术使用者：蔚来汽车科技（安徽）有限公司
技术研发日：
技术公布日：2024/12/5