温度预测模型的训练方法、预测方法、装置、设备及介质与流程

1.本发明实施例涉及电子器件预测性维护技术领域，具体而言，涉及一种温度预测模型的训练方法、预测方法、装置、设备及介质。


背景技术：

2.随着社会经济的创新和发展，电子设备(如电机等)变得更加高效与智能，但设备本身维护工作却面临巨大挑战。传统的维护方式将造成生产率降低，而计划之外的生产中断会使一些大型制造商每年损失量较大。但是由于很多企业对维护方式的认识不足，在设备维护方面仍然采用着传统的设备维护方式，一种是故障后维修的事后维修方式，一种是周期性的停机维护的一种预防性维护方式。
3.其中，预测性维护是从预防性维护发展而来的更高层次的维护方式，它以设备状态为基础，以预测设备状态发展趋势为依据。通过信息采集、处理、综合分析后有目的安排维护的周期和维护的项目，“该修则修，修必修好”。它和传统的维护方式相比，具有明显的优势。
4.传统方法对电子设备温度监测通常通过两类方法，一类是进行物理建模，另外一类是通过数据统计学分析的方法。
5.但是，通过物理建模的方法存在的普遍问题是原理复杂，无法精确建模。通过数据统计学分析的方法，虽然不用对电子设备的具体原理进行分析，但是依然存在无法得到普适而又精确的结果的问题。


技术实现要素：

6.本发明实施例提供一种温度预测模型的训练方法、预测方法、装置、设备及介质，有效解决了数据分析难度大和预测精度不够的问题，提升了电子器件温度预测的精度。
7.第一方面，本发明实施提供了一种温度预测模型的训练方法，该方法包括：
8.采集电子器件的温度数据，和不同温度下所述电子器件的电气特征数据；其中，所述温度数据和各电气特征数据按照相同的频率进行采样；
9.对所述温度数据和对应的电气特征数据按照预设时间间隔进行分段；
10.对于分段后每个时间段的温度数据和电气特征数据，按照预设的窗口滑动步长进行数据提取，并利用所有提取的温度数据和电气特征数据形成特征矩阵；
11.从所述特征矩阵中选择第一时间段内的温度数据和电气特征数据、以及第二时间段内的电气特征数据作为基础数据，并将第二时间段内的温度数据作为待预测数据；
12.将所述基础数据和所述待预测数据作为训练样本集对温度预测模型进行训练，以使所述温度预测模型建立不同时间段的温度数据与电气特征数据的关联关系；
13.其中，第一时间段和第二时间段按照时间的先后顺序排列。
14.可选的，对于分段后每个时间段的温度数据和电气特征数据，按照预设的窗口滑动步长进行数据提取，并利用所有提取的温度数据和电气特征数据形成特征矩阵，包括：
15.对于分段后每个时间段的温度数据和电气特征数据，分别将其分解为不同频率的子温度信号数据和子电气特征信号数据；
16.分别对子温度信号数据和子电气特征信号数据进行归一化；
17.对于每个时间段内的归一化后的子温度信号数据，和归一化后的子电气特征信号数据，在按照预设的窗口滑动步长进行数据提取，并利用所有提取的温度数据和特征数据形成特征矩阵。
18.可选的，对于分段后每个时间段的温度数据和电气特征数据，分别将其分解为不同频率的子温度信号数据和子电气特征信号数据，包括：
19.采用经验模态分解emd方法，分别将分段后每个时间段的温度数据和电气特征数据，分解为不同频率的子温度信号数据和子电气特征信号数据。
20.可选的，所述温度预测模型为深度神经网络模型，所述深度神经网络模型包括：
21.依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和第四特征提取模块，用于对所述训练样本集依次进行特征提取；其中，
22.第一特征提取模块、第二特征提取模块、第三特征提取模块，分别由：
23.全连接单元fc、线性整流线性单元relu、批标准化单元bn和部分丢弃神经元单元dropout组成；
24.所述第四特征提取模块，由全连接单元fc、批标准化单元bn和部分丢弃神经元单元dropout组成，所述第四特征提取模块用于温度预测数据。
25.第二方面，本发明实施例还提供了一种电子器件的温度预测方法，该方法包括：
26.将采集的电子器件在第一时间段内的温度数据、电气特征数据和第二时间段内的电气特征数据作为基础数据；
27.将所述基础数据分解为不同频率的子信号数据，并对所述子信号数据进行归一化；
28.基于温度预测模型，根据归一化后的子信号数据进行温度预测，得到所述电子器件在第二时间段内的温度预测数据；
29.其中，所述温度预测模型采用本发明任意实施例所提供的温度预测模型的训练方法进行训练。
30.第三方面，本发明实施例还提供了一种温度预测模型的训练装置，该装置包括：
31.数据采集模块，被配置为采集电子器件的温度数据，和不同温度下所述电子器件的电气特征数据；
32.时间分段模块，被配置为对所述温度数据和对应的电气特征数据按照预设时间间隔进行分段；
33.特征矩阵形成模块，被配置为对于分段后每个时间段的温度数据和电气特征数据，按照预设的窗口滑动步长进行数据提取，并利用所有提取的温度数据和电气特征数据形成特征矩阵；
34.训练样本确定模块，被配置为从所述特征矩阵中选择第一时间段内的温度数据和电气特征数据、以及第二时间段内的电气特征数据作为基础数据，并将第二时间段内的温度数据作为待预测数据；
35.模型训练模块，被配置为利用所述基础数据和所述待预测数据作为训练样本集，
对温度预测模型进行训练，以使所述温度预测模型建立不同时间段的温度数据与电气特征数据的关联关系；
36.其中，第一时间段和第二时间段按照时间的先后顺序排列。
37.可选的，特征矩阵形成模块，具体包括：
38.频率分解单元，被配置为对于分段后每个时间段的温度数据和电气特征数据，分别将其分解为不同频率的子温度信号数据和子电气特征信号数据；
39.归一化单元，被配置为分别对子温度信号数据和子电气特征信号数据进行归一化；
40.特征矩阵形成单元，被配置为对于每个时间段内的归一化后的子温度信号数据，和归一化后的子电气特征信号数据，在按照预设的窗口滑动步长进行数据采集，并利用所有采集的温度数据和特征数据形成特征矩阵。
41.可选的，所述频率分解单元，被配置为：
42.采用经验模态分解emd方法，分别将分段后每个时间段的温度数据和电气特征数据，分解为不同频率的子温度信号数据和子电气特征信号数据。
43.可选的，所述温度预测模型为深度神经网络模型，所述深度神经网络模型包括：
44.依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和第四特征提取模块，用于对所述训练样本集依次进行特征提取；其中，
45.第一特征提取模块、第二特征提取模块、第三特征提取模块，分别由：
46.全连接单元fc、线性整流线性单元relu、批标准化单元bn和部分丢弃神经元单元dropout组成；
47.所述第四特征提取模块，由全连接单元fc、批标准化单元bn和部分丢弃神经元单元dropout组成，所述第四特征提取模块用于输出温度预测数据。
48.第四方面，本发明实施例还提供了一种电子器件的温度预测装置，该装置包括：
49.基础数据确定模块，被配置为将采集的电子器件在第一时间段内的温度数据、电气特征数据和第二时间段内的电气特征数据作为基础数据；
50.数据变换模块，被配置为将所述基础数据分解为不同频率的子信号数据，并对所述子信号数据进行归一化；
51.温度预测模块，被配置为基于温度预测模型，根据归一化后的子信号数据进行温度预测，得到所述电子器件在第二时间段内的温度预测数据；
52.其中，所述温度预测模型采用本发明任意实施例所提供的温度模型的训练方法进行训练。
53.第五方面，本发明实施例还提供了一种计算设备，包括：
54.存储有可执行程序代码的存储器；
55.与所述存储器耦合的处理器；
56.所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明任意实施例所提供的温度预测模型的训练方法。
57.第六方面，本发明实施例还提供了一种计算设备，包括：
58.存储有可执行程序代码的存储器；
59.与所述存储器耦合的处理器；
60.所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明任意实施例所提供的电子器件的温度预测方法。
61.第七方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的温度预测模型的训练方法。
62.第八方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的电子器件的温度预测方法。
63.本发明实施例提供的技术方案，基于神经网络的方法进行电子器件的温度预测，能够有效解决现有温度预测数据分析难度大和预测精度不够的问题。通过采用电子器件的历史温度数据进行模型训练，无需进行复杂的建模分析，实现了对未来时刻电子器件温度的预测，解决了建模困难的问题。此外，通过利用能够表征电子器件运行状态中的电气信号特征数据进行温度预测，进一步提升了电子器件温度预测的精度。
64.本发明实施例的创新点包括：
65.1、基于神经网络的方法，能够有效解决数据分析难度大和预测精度不够的问题。在神经网络模型的训练过程中，除了采用历史温度数据作为训练样本之外，还采用了未来时刻的电气特征数据作为训练样本，有效提高了模型对温度的预测精度。对于温度数据不容易测量的情况，或者某些情况下温度传感器的返回速度不同，返回值存在一定延迟的情况，利用训练完成的神经网络模型能够实现未来时刻的温度数据的精准预测，是本发明实施例的创新点之一。
66.2、在将训练样本输入神经网络模型之前，通过对温度数据和电气特征数据进行经验模态emd分解，可将数据分解成高低频率不同的分部，从而可对于不同频率的分布分开预测，能够使得模型预测结果更加精确。并且，对emd分解后的数据进行归一化处理，进一步提升模型预测的效果，是本发明实施例的创新点之一。
67.3、神经网络模型中依次连接的前三个特征提取模块分别由：全连接单元fc、线性整流线性单元relu、批标准化单元bn和部分丢弃神经元单元dropout组成，用于对训练样本集依次进行有效地特征提取，这一设计方式可有效提高温度数据的预测精度，是本发明实施例的创新点之一。
附图说明
68.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
69.图1a为本发明实施例一提供的一种温度预测模型的训练方法的流程图；
70.图1b为本发明实施例一提供的一种深度神经网络模型的结构图；
71.图2为本发明实施例二提供的一种电子器件温度预测方法的流程图；
72.图3为本发明实施例三提供的一种温度预测模型的训练装置的结构框图；
73.图4为本发明实施例四提供的一种电子器件的温度预测装置的结构框图；
74.图5是本发明实施例五提供的一种计算设备的结构示意图。
具体实施方式
75.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
76.需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
77.本发明实施例公开了一种温度预测模型的训练方法，以及利用训练完成的温度预测模型对电子器件进行温度预测方法。以下分别进行详细说明。
78.实施例一
79.图1a为本发明实施例一提供的一种温度预测模型的训练方法的流程图。该温度预测模型可适用于不同的元器件，特别是可应用于牵引电机的温度预测这一场景下。该方法可由温度预测模型的训练装置来执行，该装置可以通过软件和/或硬件的方式实现。参见图1a，本实施例的方法具体包括：
80.110、采集电子器件的温度数据，和不同温度下电子器件的电气特征数据。
81.其中，对于电子器件而言，可通过各种类型的传感器采集该电子器件对应的电器特征数据和温度数据。例如，对于列车牵引系统来说，传感器的覆盖已经十分全面，系统中各支路的电流、电压数据均有对应的专业传感器进行数据测量和记录，每刻都将产生海量的数据。
82.本发明实施例是采用神经网络模型进行温度数据预测，而模型的训练和测试均基于实际采集的数据。传感器以时间序列的方式将系统运行过程中的数据记录下来。采集下来的数据按照不同的采样频率存入tdms和csv(comma-separated values，字符分隔值)文件中。本实施例中，可对存入上述文件中的数据进行统一处理，例如可对温度数据和电气特征数据可按照相同的采样频率，例如10hz，进行采样。经过统一处理后的数据可用于后续的数据分段过程中。
83.其中，电气特征列数据可以包括：网流、u相电流瞬时值、w相电流瞬时值、u相电流有效值、w相电流有效值和电子器件的运行速度，例如电机速度等。
84.120、对温度数据和对应的电气特征数据按照预设时间间隔进行分段。
85.其中，当相邻时间间隔超过预设时间间隔时，则认为是不同时间段的数据。本实施例中，在对温度数据和对应的电气特征数据按照预设时间间隔进行分段处理后，可得到温度数据和对应电气特征数据的时间分段信息。该时间分段信息可用于下文中通过滑动窗口进行数据提取，通过滑动窗口的方式可提取到同一个时间段的多个温度数据和电气特征数据作为模型训练的样本数据。
86.130、对于分段后每个时间段的温度数据和电气特征数据，按照预设的窗口滑动步长进行数据提取，并利用所有提取的温度数据和电气特征数据形成特征矩阵。
87.本实施例中，为了得到更多的样本点，预设的窗口滑动步长可以为1，即对应0.1秒，滑动窗口的大小可以为160个步长。其中，窗口滑动的步长和窗口大小的设置，可根据实
际情况进行设计，本实施例对此不作具体限定。
88.本实施例中，对于同一时间段的温度数据和电气特征数据，可利用滑动窗口的方式将其都提取出来。对于所有提取的不同时间段的温度数据和电气特征数据，可将其组合形成特征矩阵。该特征矩阵中的元素包括滑动窗口所截取的不同时间点的温度信号数据、电气特征信号数据。该特征矩阵中同一行的元素表示同一时间点的数据，例如第1行表示0.1秒采集的电气特征列数据和温度数据；同一列的元素表示同一种类型的数据，例如，第一列为电流、第二列为电压等。
89.进一步的，为了使得模型预测结果更加精确，可对于分段后每个时间段的温度数据和电气特征数据，分别分解为不同频率的子温度信号数据和子电气特征信号数据。对于不同频率的分布分开预测，能够使得模型预测结果更加精确，尤其是在高频分量较大的区域。其中，频率分解可优选采用emd(empirical mode decomposition，经验模态分解)方法，利用该方法可将数据分解成高低频率不同的分部，从而对于不同频率的分布分开预测，能够使得模型预测结果更加精确，尤其是在高频分量较大的区域实现温度的精准预测。
90.在进行频率分解后，还可分别对子温度信号数据和子电气特征信号数据进行归一化，以有效提升模型预测的效果。
91.对于每个时间段内的归一化后的子温度信号数据，和归一化后的子电气特征信号数据，在按照预设的窗口滑动步长进行数据提取，并利用所有提取的温度数据和特征数据形成特征矩阵。该特征矩阵中的元素包括滑动窗口所截取的不同时间点的子温度信号数据、子电气特征信号数据。
92.140、从特征矩阵中选择第一时间段内的温度数据和电气特征数据、以及第二时间段内的电气特征数据作为基础数据，并将第二时间段内的温度数据作为待预测数据。
93.其中，在基础数据中也还可以加入其他相关的变量的历史数据。
94.其中，第一时间段和第二时间段按照时间的先后顺序排列，例如第一时间段可以为前16秒采集的数据，第二时间段可以为后16秒采集的数据。第一时间段的电气特征数据和温度数据可作为历史数据，第二时间段的电气特征数据可作为未来时刻的数据。本实施例在进行模型训练时，除了利用了历史数据之外，还将未来时刻容易测量的电气特征数据也作为训练样本的一部分，用于对未来时刻的温度数据进行预测。本实施例这样设置，一方面，对于一些温度数据不容易测量的情况，或者某些情况下温度传感器的返回速度不同，返回值存在一定延迟的情况，实现了对未来时刻电子器件温度的预测，解决了建模困难的问题。另一方面，本实施例这样设置，相对于仅将历史数据作为训练样本的方式，通过将未来时刻容易测量的电气特征数据也作为训练样本，可以有效提高模型的预测精度。
95.本实施中，还可从特征矩阵中选取出部分数据，例如前16秒采集的数据，用于对训练完成的温度预测模型的效果进行测试。其中，用于进行效果测试的测试数据和用于进行模型训练的训练样本数据还可以从分段后不同时间段所采集的数据中随机选择，本实施例对此不作具体限定。
96.150、将基础数据和待预测数据作为训练样本集对温度预测模型进行训练，以使温度预测模型建立不同时间段的温度数据与电气特征数据的关联关系。
97.其中，温度预测模型为深度神经网络模型。图1b为本发明实施例一提供的一种深度神经网络模型的结构图，如图1b所示，该深度神经网络模型包括：
98.依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和第四特征提取模块，用于对训练样本集依次进行特征提取，如图1b所示，通过不断进行特征提取，输入数据的维度依次降为128、64和32，直到最后输出温度预测数据。
99.其中，第一特征提取模块、第二特征提取模块、第三特征提取模块，分别由：
100.全连接单元fc、线性整流线性单元relu、批标准化单元bn和部分丢弃神经元单元dropout组成；
101.所述第四特征提取模块，由全连接单元fc、批标准化单元bn和部分丢弃神经元单元dropout组成，所述第四特征提取模块用于输出第二时间段的温度预测数据。
102.本实施例中，基础数据和待预测数据为训练样本集，将其输入到温度预测模型进行训练。在训练过程中，通过更新神经网络模型的参数，使得该神经网络模型的损失函数的值逐渐降低，直到该损失函数的值达到收敛时，将最后更新的参数作为该神经网络模型的参数。该神经网络模型训练完成后，即建立了不同时间段温度数据和电气特征数据之间的关联关系。
103.本发明实施例提供的技术方案，基于神经网络的方法进行电子器件的温度预测，能够有效解决现有温度预测数据分析难度大和预测精度不够的问题。通过采用电子器件的历史温度数据进行模型训练，无需进行复杂的建模分析，实现了对未来时刻电子器件温度的预测，解决了建模困难的问题。此外，通过利用能够表征电子器件运行状态中的电气信号特征数据进行温度预测，进一步提升了电子器件温度预测的精度。
104.在完成温度预测模型的训练后，可利用训练完成的模型对电子器件未来时刻的温度进行预测，具体请参阅图2。
105.实施例二
106.图2为本发明实施例二提供的一种电子器件温度预测方法的流程图。该方法可应用于对电子器件温度预测的应用场景下，典型的是可应用于牵引变流器机箱、电机温度的预测过程中。该方法可通过电子器件温度预测装置来执行，该装置可通过软件和/或硬件的方式来实现。如图2所示，该方法包括：
107.210、将采集的电子器件在第一时间段内的温度数据、电气特征数据和第二时间段内的电气特征数据作为基础数据。
108.其中，电气特征数据是表征电子器件运行状态中的电气信号特征数据，例如，网流、u相电流瞬时值、w相电流瞬时值、u相电流有效值、w相电流有效值和运行速度灯。
109.本实施例中，第一时间段和第二时间段按照时间的先后顺序排列。第一时间段的温度数据和电气特征数据可作为历史数据，利用历史数据和第二时间段(未来时刻)容易测量的电气特征数据作为模型的输入数据，输入到训练完成的温度预测模型中，模型可输入未来时刻的温度数据，实现对电子器件温度的精准预测。
110.220、将基础数据分解为不同频率的子信号数据，并对子信号数据进行归一化。
111.本实施例中，可采用经验模态分解方法将基础数据分解为不同频率的子信号数据，具体可分解为高低频率不同的子信号数据。在模型预测过程中，可对不同频率的分布分开预测，能够使得模型预测结果更加精确，尤其是在高频分量较大的区域实现温度的精准预测。并且，在进行频率分解之后，通过对分解后的子信号数据进行归一化，可有效提升模型预测的效果。
112.230、基于温度预测模型，根据归一化后的子信号数据进行温度预测，得到电子器件在第二时间段内的温度预测数据。
113.其中，温度预测模型为深度神经网络模型，所述深度神经网络模型包括：
114.依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和第四特征提取模块，用于对所述训练样本集依次进行特征提取；其中，
115.第一特征提取模块、第二特征提取模块、第三特征提取模块，分别由：
116.全连接单元fc、线性整流线性单元relu、批标准化单元bn和部分丢弃神经元单元dropout组成；
117.所述第四特征提取模块，由全连接单元fc、批标准化单元bn和部分丢弃神经元单元dropout组成，所述第四特征提取模块用于输出第二时间段的温度预测数据。
118.本实施例中，温度预测模型的训练方法可参照上述实施例的说明，此处不再赘述。
119.本实施例提供的技术方案，在温度预测模型训练完成后，利用历史温度数据和表征电子器件运行状态中的电气信号特征数据作为模型的输入数据，可得到未来时刻电子器件的温度数据，实现对温度数据的精准预测。
120.实施例三
121.图3为本发明实施例三提供的一种温度预测模型的训练装置的结构框图，如图3所示，该装置包括：数据采集模块310、时间分段模块320、特征矩阵形成模块330、训练样本确定模块340和模型训练模块350；其中，
122.数据采集模块310，被配置为采集电子器件的温度数据，和不同温度下所述电子器件的电气特征数据；
123.时间分段模块320，被配置为对所述温度数据和对应的电气特征数据按照预设时间间隔进行分段；
124.特征矩阵形成模块330，被配置为对于分段后每个时间段的温度数据和电气特征数据，按照预设的窗口滑动步长进行数据提取，并利用所有提取的温度数据和电气特征数据形成特征矩阵；
125.训练样本确定模块340，被配置为从所述特征矩阵中选择第一时间段内的温度数据和电气特征数据、以及第二时间段内的电气特征数据作为基础数据，并将第二时间段内的温度数据作为待预测数据；
126.模型训练模块350，被配置为利用所述基础数据和所述待预测数据作为训练样本集，对温度预测模型进行训练，以使所述温度预测模型建立不同时间段的温度数据与电气特征数据的关联关系；
127.其中，第一时间段和第二时间段按照时间的先后顺序排列。
128.可选的，特征矩阵形成模块330，具体包括：
129.频率分解单元，被配置为对于分段后每个时间段的温度数据和电气特征数据，分别将其分解为不同频率的子温度信号数据和子电气特征信号数据；
130.归一化单元，被配置为分别对子温度信号数据和子电气特征信号数据进行归一化；
131.特征矩阵形成单元，被配置为对于每个时间段内的归一化后的子温度信号数据，和归一化后的子电气特征信号数据，在按照预设的窗口滑动步长进行数据提取，并利用所
有提取的温度数据和特征数据形成特征矩阵。
132.可选的，所述频率分解单元，被配置为：
133.采用经验模态分解emd方法，分别将分段后每个时间段的温度数据和电气特征数据，分解为不同频率的子温度信号数据和子电气特征信号数据。
134.可选的，所述温度预测模型为深度神经网络模型，所述深度神经网络模型包括：
135.依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和第四特征提取模块，用于对所述训练样本集依次进行特征提取；其中，
136.第一特征提取模块、第二特征提取模块、第三特征提取模块，分别由：
137.全连接单元fc、线性整流线性单元relu、批标准化单元bn和部分丢弃神经元单元dropout组成；
138.所述第四特征提取模块，由全连接单元fc、批标准化单元bn和部分丢弃神经元单元dropout组成，所述第四特征提取模块用于输出温度预测数据。
139.本发明实施例所提供的温度预测模型的训练装置可执行本发明任意实施例所提供的温度预测模型的训练方法，具备执行方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的温度预测模型的训练方法。
140.实施例四
141.图4为本发明实施例四提供的一种电子器件的温度预测装置的结构框图，如图4所示，该装置包括：基础数据确定模块410、数据变换模块420和温度预测模块430；其中，
142.基础数据确定模块410，被配置为将采集的电子器件在第一时间段内的温度数据、电气特征数据和第二时间段内的电气特征数据作为基础数据；
143.数据变换模块420，被配置为将所述基础数据分解为不同频率的子信号数据，并对所述子信号数据进行归一化；
144.温度预测模块430，被配置为基于温度预测模型，根据归一化后的子信号数据进行温度预测，得到所述电子器件在第二时间段内的温度预测数据；
145.其中，所述温度预测模型采用本发明任意实施例所提供的温度模型的训练方法进行训练。
146.本发明实施例所提供的电子器件的温度预测装置可执行本发明任意实施例所提供的电子器件的温度预测方法，具备执行方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的电子器件的温度预测方法。
147.实施例五
148.请参阅图5，图5是本发明实施例五提供的一种计算设备的结构示意图。如图5所示，该计算设备可以包括：
149.存储有可执行程序代码的存储器701；
150.与存储器701耦合的处理器702；
151.其中，处理器702调用存储器701中存储的可执行程序代码，执行本发明任意实施例所提供的温度预测模型的训练方法。
152.本发明实施例还提供一种计算设备的结构示意图。该计算设备可以包括：
153.存储有可执行程序代码的存储器；
154.与存储器耦合的处理器；
155.其中，处理器调用存储器中存储的可执行程序代码，执行本发明任意实施例所提供的电子器件的温度预测方法。
156.本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行本发明任意实施例所提供的温度预测模型的训练方法。
157.本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行本发明任意实施例所提供的电子器件的温度预测方法。
158.在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
159.在本发明所提供的实施例中，应理解，“与a相应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。
160.另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
161.上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例上述方法的部分或全部步骤。
162.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(read-only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
163.本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
164.本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
165.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。