一种基于万能试验机的自动过流保护方法及装置

摘要

提供了一种基于万能试验机的自动过流保护方法及装置，属于设备控制技术领域。方法包括：首先，通过第一测试周期的第一测试参数和环境参数构建目标功率预测模型，以预测测试所需的功率。然后，在第一测试周期的基础上，获取第二测试周期的第二测试参数，并将其输入到目标功率预测模型中，获得第二测试周期的预测功率。接下来，监测第二测试周期中的实时功率，并与预测功率进行比较，根据差异对目标功率预测模型进行动态修正。最终，根据修正后的模型和设备的最大运行功率，确定第二测试周期的目标第二测试参数，以保证测试设备的运行在安全的功率范围内。用于改善在测试过程中输入的测试参数不正确或偏差较大而导致万能试验机过流的问题。

权利要求

1.一种基于万能试验机的自动过流保护方法，其特征在于，所述方法包括：获取待测样品在第一测试周期的第一测试参数，并根据所述第一测试参数以及环境参数构建万能试验机的目标功率预测模型；

获取待测样品在第一测试周期的第二测试参数，并根据所述第一测试周期的第一测试参数和所述第一测试周期的第二测试参数，确定待测样品在第二测试周期的第二测试参数，其中，所述第一测试参数为所述万能试验机的输出参数，所述第二测试参数为所述万能试验机的输入参数；

将所述第二测试周期的第二测试参数，输入所述目标功率预测模型，获得所述万能试验机第二测试周期的预测功率；

获取所述万能试验机在所述第二测试周期的实时功率，并根据所述实时功率与所述预测功率的偏差值大小，对所述目标功率预测模型进行动态修正；

根据修正后的所述目标功率预测模型，确定第二测试周期的目标第二测试参数，其中，所述目标第二测试参数对应的实时功率为所述万能试验机的最大运行功率。

2.根据权利要求1所述的基于万能试验机的自动过流保护方法，其特征在于，所述第一测试参数则至少包括载荷参数、位移参数以及负载参数；所述根据所述第一测试参数以及环境参数构建万能试验机的目标功率预测模型，包括：对所述载荷参数、所述位移参数、所述负载参数以及所述环境参数进行降维处理，并计算降维处理后的参数信息量；

根据所述参数信息量与预设阈值的大小关系，对所述载荷参数、所述位移参数、所述负载参数以及所述环境参数进行筛选，以获得多个模型构建参数；

根据所述模型构建参数，构建所述功率预测模型。

3.根据权利要求2所述的基于万能试验机的自动过流保护方法，其特征在于，所述根据所述模型构建参数，构建所述功率预测模型，包括：任意组合至少两个所述模型构建参数，以获得多个组合结果，其中，每个所述组合结果对应一个历史数据集，所述历史数据集包括第一数据集和第二数据集；

基于多个所述第一数据集，对预设模型进行训练，以获得多个初始功率预测模型；

基于多个所述第二数据集，对多个所述初始功率预测模型进行精准度校验，以获得多个中间功率预测模型；

对所述中间功率预测模型进行模型融合，以获得所述目标功率预测模型。

4.根据权利要求1所述的基于万能试验机的自动过流保护方法，其特征在于，所述根据所述第一测试周期的第一测试参数和所述第一测试周期的第二测试参数，确定待测样品在第二测试周期的第二测试参数，包括：根据所述第一测试周期的第一测试参数和所述第一测试周期的第二测试参数的对应关系，确定第二测试周期的初始第二测试参数；

获取待测样品的任务测试需求，并根据所述任务测试需求，对所述初始第二测试参数进行修正，以获得所述第二测试周期的初始第二测试参数，其中，所述任务测试需求用于校验所述初始第二测试参数的精度和范围。

5.根据权利要求1所述的基于万能试验机的自动过流保护方法，其特征在于，所述将所述第二测试周期的第二测试参数，输入所述目标功率预测模型，获得所述万能试验机第二测试周期的预测功率，包括：基于所述第二测试周期的第二测试参数，构建输入特征；

将所述输入特征输入所述目标功率预测模型，以获得所述万能试验机第二测试周期的预测功率。

6.根据权利要求1所述的基于万能试验机的自动过流保护方法，其特征在于，所述第二测试周期包括多个测试子周期，所述获取所述万能试验机在所述第二测试周期的实时功率，并根据所述实时功率与所述预测功率的偏差值大小，对所述目标功率预测模型进行动态修正，包括：根据所述万能试验机的万能试验机在所述第二测试周期的实时运行参数，确定所述万能试验机在所述第二测试周期的实时功率；

根据不同间隔大小的测试子周期，对所述实时功率与所述预测功率的偏差值进行多等级校验，并根据校验结果，对所述目标功率预测模型进行动态修正。

7.根据权利要求1所述的基于万能试验机的自动过流保护方法，其特征在于，根据修正后的所述目标功率预测模型，确定第二测试周期的目标第二测试参数，包括：基于所述修正后的所述目标功率预测模型和所述万能试验机的最大运行功率进行反馈调整，确定所述目标输入参数。

8.一种基于万能试验机的自动过流保护装置，其特征在于，所述装置包括：获取模块，用于获取待测样品在第一测试周期的第一测试参数，并根据所述第一测试参数以及环境参数构建万能试验机的目标功率预测模型；

输入参数确定模块，用于获取待测样品在第一测试周期的第二测试参数，并根据所述第一测试周期的第一测试参数和所述第一测试周期的第二测试参数，确定待测样品在第二测试周期的第二测试参数，其中，所述第一测试参数为所述万能试验机的输出参数，所述第二测试参数为所述万能试验机的输入参数；

预测模块，用于将所述第二测试周期的第二测试参数，输入所述目标功率预测模型，获得所述万能试验机第二测试周期的预测功率；

模型修正模块，用于获取所述万能试验机在所述第二测试周期的实时功率，并根据所述实时功率与所述预测功率的偏差值大小，对所述目标功率预测模型进行动态修正；

参数修正模块，用于根据修正后的所述目标功率预测模型，确定第二测试周期的目标第二测试参数，其中，所述目标第二测试参数对应的实时功率为所述万能试验机的最大运行功率。

9.根据权利要求8所述的基于万能试验机的自动过流保护装置，其特征在于，获取模块包括：计算子模块，用于对载荷参数、位移参数、负载参数以及环境参数进行降维处理，并计算降维处理后的参数信息量；

筛选子模块，用于根据所述参数信息量与预设阈值的大小关系，对所述载荷参数、所述位移参数、所述负载参数以及所述环境参数进行筛选，以获得多个模型构建参数；

构建子模块，用于根据所述模型构建参数，构建所述功率预测模型。

10.根据权利要求9所述的基于万能试验机的自动过流保护装置，其特征在于，所述第一测试参数则至少包括载荷参数、位移参数以及负载参数；所述构建子模块，包括：组合单元，用于任意组合至少两个所述模型构建参数，以获得多个组合结果，其中，每个所述组合结果对应一个历史数据集，所述历史数据集包括第一数据集和第二数据集；

模型训练单元，用于基于多个所述第一数据集，对预设模型进行训练，以获得多个初始功率预测模型；

模型校验单元，用于基于多个所述第二数据集，对多个所述初始功率预测模型进行精准度校验，以获得多个中间功率预测模型；

模型融合单元，用于对所述中间功率预测模型进行模型融合，以获得所述目标功率预测模型。

说明书

一种基于万能试验机的自动过流保护方法及装置

技术领域

[0001] 本申请涉及设备控制技术领域，尤其涉及一种基于万能试验机的自动过流保护方法及装置。

背景技术

[0002] 万能试验机（Universal Testing Machine，UTM）是一种多功能材料万能试验机，用于评估材料的机械性能，如拉伸、压缩、弯曲、剪切等。它广泛应用于工程、材料科学、制造业等领域，用于确定材料的强度、刚度、延展性和其他物理特性，以保证产品质量、性能和安全性。

[0003] 而在对新型材料进行特性评估时，由于对待测样品的特性缺乏足够了解，会导致在测试过程中输入的测试参数不正确或偏差较大。而测试参数不够匹配，可能会导致万能试验机的负载超过其承受能力，进而导致万能试验机出现过电流的状况，进而使得万能试验机超载，导致设备损坏。

发明内容

[0004] 本申请实施例提供一种基于万能试验机的自动过流保护方法及装置，用于解决上述背景技术中的问题。

[0005] 为达到上述目的，本申请的实施例采用如下技术方案：

[0006] 第一方面，提供了一种基于万能试验机的自动过流保护方法，方法包括：

[0007] 获取待测样品在第一测试周期的第一测试参数，并根据第一测试参数以及环境参数构建万能试验机的目标功率预测模型；

[0008] 获取待测样品在第一测试周期的第二测试参数，并根据第一测试周期的第一测试参数和第一测试周期的第二测试参数，确定待测样品在第二测试周期的第二测试参数，其中，第一测试参数为万能试验机的输出参数，第二测试参数为万能试验机的输入参数；

[0009] 将第二测试周期的第二测试参数，输入目标功率预测模型，获得万能试验机第二测试周期的预测功率；

[0010] 获取万能试验机在第二测试周期的实时功率，并根据实时功率与预测功率的偏差值大小，对目标功率预测模型进行动态修正；

[0011] 根据修正后的目标功率预测模型，确定第二测试周期的目标第二测试参数，其中，目标第二测试参数对应的实时功率为万能试验机的最大运行功率。

[0012] 本申请提供的自动过流保护方法，通过第一测试参数和环境参数构建目标功率预测模型，系统能够预测测试所需的合适功率水平，即目标功率。这确保了测试参数的合理性和匹配性，避免了在不了解待测样品特性时输入不正确的参数。通过获取第一测试周期的第二测试参数并结合第一测试参数，系统能够确定第二测试周期的合适输入参数，以确保测试设备的运行在合适的功率范围内。根据实时数据，对目标功率预测模型进行动态修正，确保其适应测试过程中的变化和波动，从而提高系统的鲁棒性。根据修正后的模型和设备的最大运行功率，系统确定了第二测试周期的目标输入参数，以确保测试设备在安全的功率范围内运行，避免了可能导致设备过载或过电流的情况。

[0013] 综上所述，通过将模型预测、实时监测和动态调整相结合，有效地解决了因对待测样品特性了解不足而导致的测试参数不正确、负载过载等问题，从而确保测试的稳定性和可靠性。这有助于防止设备损坏，提高测试的准确性和可控性。

[0014] 在一种可能的实施方式中，第一测试参数则至少包括载荷参数、位移参数以及负载参数；根据第一测试参数以及环境参数构建万能试验机的目标功率预测模型，包括：

[0015] 对载荷参数、位移参数、负载参数以及环境参数进行降维处理，并计算降维处理后的参数信息量；

[0016] 根据参数信息量与预设阈值的大小关系，对载荷参数、位移参数、万能试验机负载参数以及环境参数进行筛选，以获得多个模型构建参数；

[0017] 根据模型构建参数，构建功率预测模型。

[0018] 在一种可能的实施方式中，根据模型构建参数，构建功率预测模型，包括：

[0019] 任意组合至少两个模型构建参数，以获得多个组合结果，其中，每个组合结果对应一个历史数据集，历史数据集包括第一数据集和第二数据集；

[0020] 基于多个第一数据集，对预设模型进行训练，以获得多个初始功率预测模型；

[0021] 基于多个第二数据集，对多个初始功率预测模型进行精准度校验，以获得多个中间功率预测模型；

[0022] 对中间功率预测模型进行模型融合，以获得目标功率预测模型。

[0023] 在一种可能的实施方式中，根据第一测试周期的第一测试参数和第一测试周期的第二测试参数，确定待测样品在第二测试周期的第二测试参数，包括：

[0024] 根据第一测试周期的第一测试参数和第一测试周期的第二测试参数的对应关系，确定第二测试周期的初始第二测试参数；

[0025] 获取待测样品的任务测试需求，并根据任务测试需求，对初始第二测试参数进行修正，以获得第二测试周期的初始第二测试参数，其中，任务测试需求用于校验初始第二测试参数的精度和范围。

[0026] 在一种可能的实施方式中，将第二测试周期的第二测试参数，输入目标功率预测模型，获得万能试验机第二测试周期的预测功率，包括：

[0027] 基于第二测试周期的第二测试参数，构建输入特征；

[0028] 将输入特征输入目标功率预测模型，以获得万能试验机第二测试周期的预测功率。

[0029] 在一种可能的实施方式中，第二测试周期包括多个测试子周期，获取万能试验机在第二测试周期的实时功率，并根据实时功率与预测功率的偏差值大小，对目标功率预测模型进行动态修正，包括：

[0030] 根据万能试验机的万能试验机在第二测试周期的实时运行参数，确定万能试验机在第二测试周期的实时功率；

[0031] 根据不同间隔大小的测试子周期，对实时功率与预测功率的偏差值进行多等级校验，并根据校验结果，对目标功率预测模型进行动态修正。

[0032] 在一种可能的实施方式中，根据修正后的目标功率预测模型，对第二测试周期的输入参数进行动态修正，以获得目标输入参数，包括：

[0033] 基于修正后的目标功率预测模型和万能试验机的最大运行功率进行反馈调整，确定目标输入参数。

[0034] 第二方面，提供了一种基于万能试验机的自动过流保护装置，装置包括：

[0035] 获取模块，用于获取待测样品在第一测试周期的第一测试参数，并根据第一测试参数以及环境参数构建万能试验机的目标功率预测模型；

[0036] 输入参数确定模块，用于获取待测样品在第一测试周期的第二测试参数，并根据第一测试周期的第一测试参数和第一测试周期的第二测试参数，确定待测样品在第二测试周期的第二测试参数，其中，第一测试参数为万能试验机的输出参数，第二测试参数为万能试验机的输入参数；

[0037] 预测模块，用于将第二测试周期的第二测试参数，输入目标功率预测模型，获得万能试验机第二测试周期的预测功率；

[0038] 模型修正模块，用于获取万能试验机在第二测试周期的实时功率，并根据实时功率与预测功率的偏差值大小，对目标功率预测模型进行动态修正；

[0039] 参数修正模块，用于根据修正后的目标功率预测模型，确定第二测试周期的目标第二测试参数，其中，目标第二测试参数对应的实时功率为万能试验机的最大运行功率。

[0040] 在一种可能的实施方式中，获取模块包括：

[0041] 计算子模块，用于对载荷参数、位移参数、负载参数以及环境参数进行降维处理，并计算降维处理后的参数信息量；

[0042] 筛选子模块，用于根据参数信息量与预设阈值的大小关系，对载荷参数、位移参数、万能试验机负载参数以及环境参数进行筛选，以获得多个模型构建参数；

[0043] 构建子模块，用于根据模型构建参数，构建功率预测模型。

[0044] 在一种可能的实施方式中，构建子模块，包括：

[0045] 组合单元，用于任意组合至少两个模型构建参数，以获得多个组合结果，其中，每个组合结果对应一个历史数据集，历史数据集包括第一数据集和第二数据集；

[0046] 模型训练单元，用于基于多个第一数据集，对预设模型进行训练，以获得多个初始功率预测模型；

[0047] 模型校验单元，用于基于多个第二数据集，对多个初始功率预测模型进行精准度校验，以获得多个中间功率预测模型；

[0048] 模型融合单元，用于对中间功率预测模型进行模型融合，以获得目标功率预测模型。

[0049] 在一种可能的实施方式中，输入参数确定模块包括：

[0050] 预输入参数确定子模块，用于根据第一测试周期的第一测试参数和第一测试周期的第二测试参数的对应关系，确定第二测试周期的初始第二测试参数；

[0051] 预输入参数调整子模块，用于获取待测样品的任务测试需求，并根据任务测试需求，对初始第二测试参数进行修正，以获得第二测试周期的初始第二测试参数，其中，任务测试需求用于校验初始第二测试参数的精度和范围。

[0052] 在一种可能的实施方式中，预测模块，包括：

[0053] 特征构建子模块，用于基于第二测试周期的第二测试参数，构建输入特征；

[0054] 输入子模块，用于将输入特征输入目标功率预测模型，以获得万能试验机第二测试周期的预测功率。

[0055] 在一种可能的实施方式中，模型修正模块，包括：

[0056] 实时功率计算子模块，用于根据万能试验机的万能试验机在第二测试周期的实时运行参数，确定万能试验机在第二测试周期的实时功率；

[0057] 实时功率校验计算子模块，用于根据不同间隔大小的测试子周期，对实时功率与预测功率的偏差值进行多等级校验，并根据校验结果，对目标功率预测模型进行动态修正。

[0058] 第三方面，提供了一种电子设备，包括存储器和处理器，存储器存储有可在处理器上运行的计算机程序，处理器执行程序时实现如上述第一方面中任一项的方法。

[0059] 第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。

[0060] 第二方面至第四方面的技术效果参照第一方面及其任一实施方式的技术效果，在此不再重复。

附图说明

[0061] 图1是本发明实施例提供的一种基于万能试验机的自动过流保护方法的步骤流程图；

[0062] 图2是本发明实施例提供的一种基于万能试验机的自动过流保护装置的功能模块示意图。

具体实施方式

[0063] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合图1‑图2及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

[0064] 本申请实施例涉及的术语“第一”、“第二”等仅用于区分同一类型特征的目的，不能理解为用于指示相对重要性、数量、顺序等。

[0065] 本申请实施例涉及的术语“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

[0066] 本申请实施例涉及的术语“耦合”、“连接”应做广义理解，例如，可以指物理上的直接连接，也可以指通过电子器件实现的间接连接，例如通过电阻、电感、电容或其他电子器件实现的连接。

[0067] 目前，在进行新型材料的特性评估时，通常需要使用万能试验机来进行力学性能测试，如拉伸、弯曲或压缩等。然而，由于对待测样品的特性缺乏足够了解，可能导致在测试过程中输入的测试参数不正确或存在明显偏差。缺乏了解可以包括对材料的强度、弹性模量、断裂韧性、变形行为等方面的信息缺失。

[0068] 当测试参数不够匹配或不准确时，万能试验机的操作可能会受到严重影响。特别是，如果测试机器设置的负荷或应变速率远远高于材料的实际承受能力，那么这可能导致试验机的电动机和传感器超负荷运行。这种情况下，试验机可能会因负载过大而出现过电流状况，试图强行执行测试，但无法有效完成。这不仅会导致试验机设备的损坏，还可能对操作员的安全构成潜在威胁。

[0069] 基于此，发明人提出了本申请的发明构思：通过动态建立和修正目标功率预测模型，以根据实际材料特性和环境参数来优化万能试验机的运行。在第一测试周期中收集数据，用于构建模型，然后根据实时功率和预测功率的偏差动态调整输入参数，确保试验机在最大运行功率下操作，以提高测试准确性和设备可靠性。

[0070] 参照图1，本发明的实施例提供了一种基于万能试验机的自动过流保护方法，具体可以包括以下步骤：

[0071] S101：获取待测样品第一测试周期的第一测试参数，并根据第一测试周期的第一测试参数以及环境参数构建万能试验机的目标功率预测模型。

[0072] 在本实施方式中，在对待测样品进行测试的过程中，将对其的测试过程划分为多个测试周期，在不同的测试周期内，可以执行不同的测试条件。第一周期是这个测试过程的最初阶段，通常用于建立基准和收集初始数据。在这个阶段，会收集有关待测样品的基本特性参数以及万能试验机的运行参数。第一测试参数包括载荷参数、位移参数以及负载参数，这些参数用于确定如何施加力或负载于待测样品以及如何记录位移或变形。为后续的测试周期提供了基线数据和初始条件，帮助构建目标功率预测模型并确保万能试验机在适当的条件下运行。

[0073] 其具体步骤包括：

[0074] S1011：对载荷参数、位移参数、负载参数以及环境参数进行降维处理，并计算降维处理后的参数信息量。

[0075] 在本实施方式中，对载荷参数、位移参数、负载参数以及环境参数进行降维处理的目的是降低数据的复杂性，以便更有效地分析和处理这些参数，同时确保不丢失重要信息。降维的主要原理是识别和去除数据中的冗余信息和噪声，同时保留数据的关键特征。这可以通过多种技术来实现，包括主成分分析 (PCA)、线性判别分析 (LDA)、特征选择、独立成分分析 (ICA) 等。而其具体的步骤包括：

[0076] 数据收集与准备：首先，收集并准备包括载荷参数、位移参数、负载参数和环境参数的原始数据。这些数据可能是时间序列数据，记录了在测试过程中的各种参数值。

[0077] 数据标准化：对数据进行标准化，以确保不同参数具有相同的尺度和范围。这有助于在后续处理中比较和分析不同参数。

[0078] 降维方法的选择：选择合适的降维方法，例如主成分分析 (PCA)。PCA是一种常用的降维技术，它可以通过线性变换将高维数据映射到低维空间，并保留最大方差的特征。这有助于找到数据中最具信息量的维度。

[0079] 应用降维技术：将所选的降维技术应用于数据集。对于每个测试参数，这将导致数据从高维度的特征空间映射到较低维度的新空间。

[0080] 信息量计算：评估降维处理后的数据集中包含的信息量。通过分析每个新特征向量的方差或信息增益来实现。

[0081] S1012：根据参数信息量与预设阈值的大小关系，对载荷参数、位移参数、万能试验机负载参数以及环境参数进行筛选，以获得多个模型构建参数。

[0082] 在本实施方式中，为了构建一个准确可靠的目标功率预测模型，需要考虑各个参数的信息量。信息量表示一个参数包含的关于测试过程和被测物体的信息。信息量通常与参数的变化幅度和重要性相关。一些参数可能在测试过程中具有较大的变化范围，或者对于测试结果有着显著的影响，这些参数通常包含更多信息。预设阈值是用来判定参数是否足够重要以纳入模型构建的阈值。这一阈值通常基于专业知识和经验设定。如果某个参数的信息量高于预设阈值，那么它可能被视为一个关键参数，将被用于构建目标功率预测模型。如果信息量低于阈值，可能被排除在模型之外。筛选过程的结果是确定多个模型构建参数，这些参数将用于建立多个模型变体。这些模型变体可以用来测试不同参数组合对于预测目标功率的影响。通过比较这些模型的性能，可以选择最适合的参数组合，以构建最精确的目标功率预测模型。

[0083] S1013：根据模型构建参数，构建功率预测模型。

[0084] 而在经过筛选获得模型构建参数之后，基于模型构建参数来建立功率预测模型，以便在测试过程中准确地预测所需的功率，其具体的步骤包括：

[0085] S10131：任意组合至少两个模型构建参数，以获得多个组合结果，其中，每个组合结果对应一个历史数据集，历史数据集包括第一数据集和第二数据集；

[0086] S10132：基于多个第一数据集，对预设模型进行训练，以获得多个初始功率预测模型；

[0087] S10133：基于多个第二数据集，对多个初始功率预测模型进行精准度校验，以获得多个中间功率预测模型；

[0088] S10134：对中间功率预测模型进行模型融合，以获得目标功率预测模型。

[0089] 在S10131至S10134的实施方式中，首先，根据需要的模型多样性，从可用的参数中选择至少两个参数，这些参数可以不同的特征选择、模型类型等，以创建多个不同的组合，尝试各种不同的参数组合，每个组合对应一个潜在的模型变体。这些参数组合可以涵盖多个方面，包括载荷参数、位移参数、负载参数以及环境参数等。通过尝试不同参数的组合，可以探索多种可能的模型配置，从而增加模型的多样性。有助于捕捉不同条件下的模式和关系，提高最终预测模型的适应性和性能。每个组合对应一个历史数据集，这个历史数据集包括两部分，即第一数据集和第二数据集，它们包含了先前收集的有关测试的数据。使用多个第一数据集，对事先定义的模型进行训练。这个步骤旨在创建多个初始功率预测模型，每个模型使用不同的参数组合和第一数据集进行训练。这些初始模型可能在模型类型、特征工程或超参数设置等方面存在差异。使用多个第二数据集，对每个初始功率预测模型进行精准度校验。这意味着将模型应用于第二数据集，以评估其在未知数据上的性能。这一步骤有助于筛选出性能良好的中间功率预测模型，这些模型表现出较高的准确性和可靠性。 最后，将多个中间功率预测模型进行模型融合，以获得最终的目标功率预测模型。模型融合可以采用不同的方法，如加权平均、集成学习或其他技术，以综合各个中间模型的预测结果，以获得更准确和稳定的功率预测模型。

[0090] 通过使用多个不同参数组合和模型进行组合，可以获得更全面的数据和多样性的模型。这有助于提高目标功率预测模型的准确性，因为不同模型可能在不同条件下表现更好，从而降低了误差。多模型融合的方法有助于减少模型的不确定性，提高了模型的可靠性。通过综合多个模型的预测结果，可以获得更可信赖的功率预测，减少了预测误差的风险。

[0091] S102：获取待测样品在第一测试周期的第二测试参数，并根据第一测试周期的第一测试参数和第一测试周期的第二测试参数，确定待测样品在第二测试周期的第二测试参数。

[0092] 在本实施方式中，在第一测试周期结束后，需要获取待测样品在该周期的第二测试参数。第一测试周期的第二测试参数是指在第一测试周期中向万能试验机输入的参数，第一测试周期的第一测试参数是指在第一测试周期中万能试验机输出的参数，这些参数通常用来配置和控制测试机的操作，以进行测试。通过使用第一测试周期的第一测试参数以及第一测试周期的第二测试参数，可以确定待测样品在第二测试周期的第二测试参数，以确保测试机在第二测试周期内正确配置以获得准确和可靠的测试结果。

[0093] 而其具体的实现方式包括：

[0094] S1021：根据第一测试周期的第一测试参数和第一测试周期的第二测试参数的对应关系，确定第二测试周期的初始第二测试参数；

[0095] S1022：获取待测样品的任务测试需求，并根据任务测试需求，对初始第二测试参数进行修正，以获得第二测试周期的初始第二测试参数。

[0096] 在S1021至S1022的实施方式中，首先使用第一测试周期的第一测试参数和第二测试参数的对应关系来确定第二测试周期的初始第二测试参数。对应关系已经事先建立，或者可以通过分析第一测试周期的数据来获得。在第一测试周期中，建立第一测试参数和第二测试参数之间的对应关系。这可以通过数据记录和分析来实现。对应关系表示了在第一测试周期内，不同的第一测试参数值对应着什么样的第二测试参数值。例如，可能发现在不同的负载或速度条件下，第二测试参数需要不同的设置。初始第二测试参数是根据第一测试周期的数据和关系而得出的，用于配置第二测试周期的测试条件。

[0097] 然后，获取有关待测样品的任务测试需求。测试需求包括所需的测试精度、范围、特定测试条件或其他要求。基于任务测试需求，对初始第二测试参数进行修正，以获得第二测试周期的初始第二测试参数。这个修正过程可以包括以下步骤：

[0098] 分析任务测试需求：了解测试需求的具体要求，包括所需精度、范围、测试条件等。

[0099] 比较初始参数和需求：将初始第二测试参数与任务测试需求进行比较，确定是否需要进行调整。

[0100] 参数修正：根据需求进行参数修正，这可能涉及调整负载、速度、温度等参数，以确保测试在所需的范围内进行。

[0101] 校验精度和范围：经过修正后，对初始第二测试参数进行校验，以确保其满足测试需求中的精度和范围。

[0102] S103：将第二测试周期的第二测试参数，输入目标功率预测模型，获得万能试验机第二测试周期的预测功率。

[0103] 在本实施方式中，将第二测试周期的第二测试参数作为输入，通过已构建的目标功率预测模型来预测第二测试周期的功率。将第二测试周期的第二测试参数传递给目标功率预测模型，该模型将使用这些参数进行计算，以产生预测的功率值。

[0104] 其具体的实现方式包括：

[0105] S1031：基于第二测试周期的第二测试参数，构建输入特征；

[0106] S1032：将输入特征输入目标功率预测模型，以获得万能试验机第二测试周期的预测功率。

[0107] 在S1031至S1032的实施方式中，首先需要基于第二测试周期的第二测试参数构建输入特征。输入特征是一组数值或属性，它们代表了测试过程中的相关信息。构建输入特征的目的是将第二测试周期的测试参数转化为模型可以理解的形式，以便用于预测目标功率。这可能涉及特征工程、数据处理和转换操作。 一旦输入特征构建完成，接下来将这些特征输入事先构建好的目标功率预测模型。这个模型可以是统计模型、机器学习模型或其他数学模型，它旨在学习如何根据输入特征来预测所需的功率水平。模型会进行数学运算和分析，以生成第二测试周期的预测功率值。当输入特征被送入模型后，模型将生成第二测试周期的预测功率。

[0108] S104：获取万能试验机在第二测试周期的实时功率，并根据实时功率与预测功率的偏差值大小，对目标功率预测模型进行动态修正。

[0109] 在本实施方式中，首先，通过监测和测量万能试验机在第二测试周期内的实时功率，获得了测试过程中的实际功率数据。这些数据反映了在实际测试条件下待测样品所承受的实时力或负载水平，以及相应的位移或变形情况。

[0110] 然后，将这些实际功率数据与之前由目标功率预测模型预测的功率进行比较。通过计算实时功率与预测功率之间的偏差值，可以确定测试过程中的性能差异或误差。偏差值的大小反映了模型的预测准确性，如果偏差值很小，说明模型的预测与实际情况相符。

[0111] 根据偏差值的大小，可以对目标功率预测模型进行动态修正。如果偏差值较大，表明模型的预测存在误差，需要对模型进行调整，以更好地匹配实际测试条件。这可能包括调整模型参数、更新模型权重或改进特征工程等。

[0112] 通过动态修正模型，系统能够适应不断变化的测试条件，提高了模型的准确性和可靠性。这有助于确保测试过程的稳定性，防止过载或性能不足，并最终实现更准确的测试结果。

[0113] 而进行动态修正的过程包括：

[0114] S1041：根据万能试验机的万能试验机在第二测试周期的实时运行参数，确定万能试验机在第二测试周期的实时功率；

[0115] S1042：根据不同间隔大小的测试子周期，对实时功率与预测功率的偏差值进行多等级校验，并根据校验结果，对目标功率预测模型进行动态修正。

[0116] 在S1041至S1042的实施方式中，对偏差值进行多等级校验的目的是将实时功率与预测功率之间的差异在不同时间间隔内进行校验，以评估模型的性能和系统状态。这种多级校验可以帮助检测短期和长期的功率波动，以便更好地理解测试过程中的动态变化。

[0117] 示例性的：假设正在进行材料的拉伸测试，第二测试周期包括多个测试子周期，每个子周期的时间间隔为10分钟。的目标是确保在整个测试期间，测试机的功率控制稳定且符合预测。采取以下措施：

[0118] 短期校验（小间隔）：在每个测试子周期的开始和结束时，测量实际功率并与预测功率进行比较。如果实际功率与预测功率的偏差在短时间内超出了一定阈值，立即采取纠正措施，以确保在子周期内的功率控制是准确的。

[0119] 中期校验（中等间隔）：每小时，对过去60分钟内的功率数据进行检查。这个校验旨在检测较长时间范围内的功率趋势，以便更好地理解是否存在长期波动。如果在此中期校验中发现不稳定性，可能会进行更深入的分析，例如检查环境条件是否有变化。

[0120] 长期校验（大间隔）：每天结束时，对整个测试周期内的功率数据进行总结和比较。这种校验可以捕获较长时间尺度上的趋势和周期性变化，如一天内的昼夜变化。如果出现长期不稳定性，可能需要进行更详细的分析或校准操作。

[0121] 多级校验的允许监测功率控制的性能，并根据不同时间间隔内的数据，适时采取纠正措施，以确保测试的稳定性和准确性。通过根据不同的校验级别来处理数据，可以更全面地了解测试过程中的动态变化，从而提高系统的鲁棒性。

[0122] S105：根据修正后的目标功率预测模型，确定第二测试周期的目标第二测试参数。

[0123] 在本实施方式中，根据修正后的目标功率预测模型，确定第二测试周期的目标第二测试参数是指利用已修正的模型来计算或预测应该在第二测试周期中使用的输入参数，以便在万能试验机中实现所需的功率水平。而起具体的过程包括：

[0124] 基于修正后的目标功率预测模型和万能试验机的最大运行功率进行反馈调整，确定目标输入参数。

[0125] 在本实施方式中，使用之前修正后的目标功率预测模型。这个模型已经在之前的步骤中经过多级校验和动态修正，以更好地适应实际测试的条件和变化。考虑到万能试验机的性能和限制，需要知道万能试验机在测试该样品时的最大运行功率。这是设备可以承受的最高功率水平，超过此值可能导致设备故障或性能下降。根据修正后的模型和最大运行功率，进行反馈调整，以确定目标输入参数。这是一个优化过程，旨在找到在不超过设备承受能力的前提下，获得最大运行功率的参数组合。

[0126] 本申请提供的自动过流保护方法，通过第一测试参数和环境参数构建目标功率预测模型，系统能够预测测试所需的合适功率水平，即目标功率。这确保了测试参数的合理性和匹配性，避免了在不了解待测样品特性时输入不正确的参数。通过获取第一测试周期的第二测试参数并结合第一测试参数，系统能够确定第二测试周期的合适输入参数，以确保测试设备的运行在合适的功率范围内。根据实时数据，对目标功率预测模型进行动态修正，确保其适应测试过程中的变化和波动，从而提高系统的鲁棒性。根据修正后的模型和设备的最大运行功率，系统确定了第二测试周期的目标输入参数，以确保测试设备在安全的功率范围内运行，避免了可能导致设备过载或过电流的情况。

[0127] 本发明实施例还提供了一种基于万能试验机的自动过流保护装置，参照图2，示出了本发明一种基于万能试验机的自动过流保护装置的功能模块图，该装置可以包括以下模块：

[0128] 获取模块201，用于获取待测样品在第一测试周期的第一测试参数，并根据第一测试参数以及环境参数构建万能试验机的目标功率预测模型；

[0129] 输入参数确定模块202，用于获取待测样品在第一测试周期的第二测试参数，并根据第一测试周期的第一测试参数和第一测试周期的第二测试参数，确定待测样品在第二测试周期的第二测试参数，其中，第一测试参数为万能试验机的输出参数，第二测试参数为万能试验机的输入参数；

[0130] 预测模块203，用于将第二测试周期的第二测试参数，输入目标功率预测模型，获得万能试验机第二测试周期的预测功率；

[0131] 模型修正模块204，用于获取万能试验机在第二测试周期的实时功率，并根据实时功率与预测功率的偏差值大小，对目标功率预测模型进行动态修正；

[0132] 参数修正模块205，用于根据修正后的目标功率预测模型，确定第二测试周期的目标第二测试参数，其中，目标第二测试参数对应的实时功率为万能试验机的最大运行功率。

[0133] 在一种可能的实施方式中，获取模块包括：

[0134] 计算子模块，用于对载荷参数、位移参数、负载参数以及环境参数进行降维处理，并计算降维处理后的参数信息量；

[0135] 筛选子模块，用于根据参数信息量与预设阈值的大小关系，对载荷参数、位移参数、万能试验机负载参数以及环境参数进行筛选，以获得多个模型构建参数；

[0136] 构建子模块，用于根据模型构建参数，构建功率预测模型。

[0137] 在一种可能的实施方式中，构建子模块，包括：

[0138] 组合单元，用于任意组合至少两个模型构建参数，以获得多个组合结果，其中，每个组合结果对应一个历史数据集，历史数据集包括第一数据集和第二数据集；

[0139] 模型训练单元，用于基于多个第一数据集，对预设模型进行训练，以获得多个初始功率预测模型；

[0140] 模型校验单元，用于基于多个第二数据集，对多个初始功率预测模型进行精准度校验，以获得多个中间功率预测模型；

[0141] 模型融合单元，用于对中间功率预测模型进行模型融合，以获得目标功率预测模型。

[0142] 在一种可能的实施方式中，输入参数确定模块包括：

[0143] 预输入参数确定子模块，用于根据第一测试周期的第一测试参数和第一测试周期的第二测试参数的对应关系，确定第二测试周期的初始第二测试参数；

[0144] 预输入参数调整子模块，用于获取待测样品的任务测试需求，并根据任务测试需求，对初始第二测试参数进行修正，以获得第二测试周期的初始第二测试参数，其中，任务测试需求用于校验初始第二测试参数的精度和范围。

[0145] 在一种可能的实施方式中，预测模块，包括：

[0146] 特征构建子模块，用于基于第二测试周期的第二测试参数，构建输入特征；

[0147] 输入子模块，用于将输入特征输入目标功率预测模型，以获得万能试验机第二测试周期的预测功率。

[0148] 在一种可能的实施方式中，模型修正模块，包括：

[0149] 实时功率计算子模块，用于根据万能试验机的万能试验机在第二测试周期的实时运行参数，确定万能试验机在第二测试周期的实时功率；

[0150] 实时功率校验计算子模块，用于根据不同间隔大小的测试子周期，对实时功率与预测功率的偏差值进行多等级校验，并根据校验结果，对目标功率预测模型进行动态修正。

[0151] 基于同一发明构思，本发明另一实施例提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，[0152] 存储器，用于存放计算机程序；

[0153] 处理器，用于执行存储器上所存放的程序时，实现本发明的基于万能试验机的自动过流保护方法。

[0154] 上述终端提到的通信总线可以是外设部件互联标准（Peripheral Component Interconnect，简称PCI）总线或扩展工业标准结构（Extended Industry Standard Architecture，简称EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于上述终端与其他设备之间的通信。存储器可以包括随机存取存储器（Random Access Memory，简称RAM），也可以包括非易失性存储器(non‑volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储系统。

[0155] 上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，简称CPU）、网络处理器（Network Processor，简称NP）等；还可以是数字信号处理器（Digital Signal Processing，简称DSP）、专用集成电路（Application Specific Integrated Circuit，简称ASIC）、现场可编程门阵列（Field－Programmable Gate Array，简称FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

[0156] 此外，为实现上述目的，本发明的实施例还提出了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现本发明实施例的基于万能试验机的自动过流保护方法。

[0157] 本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用车辆（包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。

[0158] 本发明实施例是参照根据本发明实施例方法、终端设备（系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

[0159] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0160] 这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0161] 最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。“”和/或“”表示可以选择两者之中的任意一个，也可以两者都选择。而且，术语“”包括“”“”包含“”或者其任何其他变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“”包括一个……“”限定的要素，并不排除在包括要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

[0162] 以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。