具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

需要说明，若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

图1是本发明一实施例提供的一种用于泵车臂架状况监测的方法的流程示意图。如图1所示，本发明实施例提供一种用于泵车臂架状况监测的方法，该方法可以包括以下步骤。

在步骤S11中，获取多个数据传感器采集的泵车臂架的训练数据集和测试数据集。在本发明的实施例中，泵车臂架的训练数据集是用于训练与泵车臂架状况监测相关的虚拟量测模型的数据集。虚拟量测不直接量测目标量，而是通过量测其他相关量，再使用预测模型来间接获取目标量的方法。训练数据集包括训练数据集的输入量和训练数据集的响应量，训练数据集的响应量可以包括臂架应变数据，训练数据集的输入量可以包括但不限于泵送压力数据、臂架倾角数据以及泵送状态数据。泵车臂架的测试数据集可以包括但不限于泵送压力数据、臂架倾角数据、泵送状态数据，将测试数据集输入训练好的虚拟量测模型，可以得到泵车臂架对应的预测应变量。具体地，可以通过多个数据传感器分别采集泵送压力数据、臂架倾角数据、泵送状态数据和臂架应变数据。其中，应变片采集的臂架应变数据是预测目标，也是机器学习算法的响应，臂架应变数据只在模型训练时需要采集，用于评判模型的可靠性，在虚拟量测阶段不需要采集。在本发明的实施例中，训练数据集和测试数据集可以通过多个数据传感器采集，数据传感器可以包括但不限于倾角数据采集传感器、应变片传感器、泵送压力传感器、泵送开关传感器等，根据采集数据的不同，可以将各传感器安装在泵车臂架的不同位置。数据传感器与后端数据处理个人计算机(PersonalComputer，PC)通信连接，数据处理器用于采集并记录泵车臂架的各项数据，后端数据处理PC在数据采集时可以用于不同数据信息采集器之间的时间对齐，在后端处理数据时，可以搭载高级语言实现模型训练集结果预测。

在步骤S12中，基于训练数据集进行机器学习回归训练以得到虚拟量测模型。在本发明的实施例中，学习回归模型拟解决的问题是一个多输入多响应的问题。“输入”是指训练数据集的输入量，即通过各类传感器采集的臂架的数据，如泵送压力数据、臂架倾角数据以及泵送状态数据等，“响应”是指训练数据集的响应量，即通过应变传感器采集的各臂架上不同位置的应变数据。模型训练时，不同臂架位置的响应与多个输入数据之间单独建模。模型训练的预处理分为数据预处理以及模型确定两部分。数据预处理是由于传感器采集原始数据存在各种各样的数据问题，因此在模型训练前需要进行一系列数据处理工作，使用的流程包括但不限于：数据对齐及缺失值处理、数据异常处理、特征扩展等。数据对齐是由于不同数据并非在同一时刻采集，因此需将多个输入、响应数据一一对应，通常使用插值算法实现。数据异常处理分为数据点异常和数据段异常，数据点异常的主要形式有数据点超量测、数据值突变等，通常由传感器设备不稳定或者信号传输过程异常引起，数据段异常的主要原因是不同时间段数据采集方式不同和人为动作(如传感器数据校准等)引起。在本发明的实施例中，对数据点异常可以进行删除操作，异常点的检测通过异常检测算法实现，可用的异常检测算法包括但不限于量程判断、3δ原则、箱型图分析等。对于针对数据段异常，可以根据及情况对数据进行补偿处理。数据段异常通常在数据采集阶段记录数据异常发生的原因及时刻，以进行针对处理。数据预处理对应机器学习中的数据预处理步骤，通常没有标准的步骤，需要针对不同任务和数据属性进行改变。特征扩展是指从采集的原始数据生成新的特征，以便发现潜在的、对虚拟量测更有利的特征。机器学习回归模型确定包括明确机器学习的输入、响应数据以及模型参数等，主要步骤包括模型选择、特征选择、模型调参与验证。本发明实施例的虚拟量测模型实质是一种数据回归问题，可用的模型可以包括但不限于：lightgbm模型、深度神经网络模型等。模型调参与验证是为了得到一组拥有最优评价值的模型超参数。同时，为了证明模型的结果具有普适性，通常可以使用K-Fold交叉验证。在本发明的实施例中，可以将训练数据集的输入量作为输入，将训练数据集的响应量作为输出，进行机器学习回归训练，以得到虚拟量测模型。

在步骤S13中，将测试数据集输入至虚拟量测模型以得到泵车臂架的预测应变量。在本发明的实施例中，在本发明的实施例中，使用虚拟量测模型的预处理也分为数据预处理以及模型确定两部分，具体参照步骤S12中关于模型训练的预处理方法。训练好虚拟量测模型之后，将测试数据集输入至虚拟量测模型，以得到泵车臂架实时的应变预测值，即预测应变量。

通过上述技术方案，使用低成本长寿命的传感器替代高成本的应变传感器，降低臂架状况监测的成本，通过虚拟量测模型预测应变量，提供稳定、可靠的开裂数据支持，从而使得对于泵车臂架状况监测方法成本较低且检测精度较高。

在本发明的实施例中，训练数据集可以包括训练数据集的输入量和训练数据集的响应量；

训练数据集的响应量包括臂架应变数据；

训练数据集的输入量可以包括臂架倾角数据和以下中的至少一者；

泵送压力数据、泵送状态数据。

在本发明的实施例中，测试数据集可以包括臂架倾角数据和以下中的至少一者：

泵送压力数据、泵送状态数据。

具体地，训练数据集包括训练数据集的输入量和训练数据集的响应量，训练数据集的响应量可以包括臂架应变数据，训练数据集的输入量可以包括但不限于泵送压力数据、臂架倾角数据以及泵送状态数据。泵车臂架的测试数据集可以包括但不限于泵送压力数据、臂架倾角数据、泵送状态数据，将测试数据集输入训练好的虚拟量测模型，可以得到泵车臂架对应的预测应变量。具体地，可以通过多个数据传感器分别采集泵送压力数据、臂架倾角数据、泵送状态数据和臂架应变数据。其中，应变片采集的臂架应变数据是预测目标，也是机器学习算法的响应，臂架应变数据只在模型训练时需要采集，用于评判模型的可靠性，在虚拟量测阶段不需要采集。

图2是本发明另一实施例提供的一种用于泵车臂架状况监测的方法的流程示意图。如图2所示，步骤S12、基于训练数据集进行机器学习回归训练以得到虚拟量测模型可以包括：

步骤S21、对训练数据集进行预处理；

步骤S22、根据预处理后的训练数据集确定对应的机器学习回归模型；

步骤S23、将训练数据集的输入量作为输入，将训练数据集的响应量作为输出，对虚拟量测模型进行训练。

在本发明的实施例中，学习回归模型拟解决的问题是一个多输入多响应的问题。“输入”是指训练数据集的输入量，即通过各类传感器采集的臂架的数据，如泵送压力数据、臂架倾角数据以及泵送状态数据等，“响应”是指训练数据集的响应量，即通过应变传感器采集的各臂架上不同位置的应变数据。模型训练时，不同臂架位置的响应与多个输入数据之间单独建模。

在本发明的实施例中，预处理可以包括以下中的至少一者：

对训练数据集的数据进行对齐及缺失值处理；

对训练数据集中的异常训练数据进行处理；

对训练数据集进行特征扩展。

在本发明的实施例中，根据预处理后的训练数据集确定对应的机器学习回归模型可以包括：

确定机器学习回归模型算法；

对机器学习回归模型进行调参与验证以得到最优评价值的模型超参数。

具体地，模型训练的预处理分为数据预处理以及模型确定两部分。数据预处理是由于传感器采集原始数据存在各种各样的数据问题，因此在模型训练前需要进行一系列数据处理工作，使用的流程包括但不限于：数据对齐及缺失值处理、数据异常处理、特征扩展等。数据对齐是由于不同数据并非在同一时刻采集，因此需将多个输入、响应数据一一对应，通常使用插值算法实现。数据异常处理分为数据点异常和数据段异常，数据点异常的主要形式有数据点超量测、数据值突变等，通常由传感器设备不稳定或者信号传输过程异常引起，数据段异常的主要原因是不同时间段数据采集方式不同和人为动作(如传感器数据校准等)引起。在本发明的实施例中，对数据点异常可以进行删除操作，异常点的检测通过异常检测算法实现，可用的异常检测算法包括但不限于量程判断、3δ原则、箱型图分析等。对于针对数据段异常，可以根据及情况对数据进行补偿处理。数据段异常通常在数据采集阶段记录数据异常发生的原因及时刻，进行针对处理。数据预处理对应机器学习中的数据预处理步骤，通常没有标准的步骤，需要针对不同任务和数据属性进行改变。特征扩展是指从采集的原始数据生成新的特征，以便发现潜在的、对虚拟量测更有利的特征。

机器学习回归模型算法的确定包括明确机器学习的输入、响应数据以及模型参数等，主要步骤包括模型选择、特征选择、模型调参与验证。本发明实施例的虚拟量测模型实质是一种数据回归问题，可用的模型可以包括但不限于：lightgbm模型、深度神经网络模型等。模型调参与验证是为了得到一组拥有最优评价值的模型超参数，可用的评价指标包括但不限于：平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、平均绝对误差(MeanAbsolute Error，MAE)MAE等，其定义式如下列式子所示：

其中，y_i为任一模型响应序列的第i个真实值，为任一模型响应序列的第i个预测值，该序列的长度为n。同时，为了证明模型的结果具有普适性，通常可以使用K-Fold交叉验证。在本发明的实施例中，可以将训练数据集的输入量作为输入，将训练数据集的响应量作为输出，进行机器学习回归训练，不断优化虚拟量测模型。

图3是本发明又一实施例提供的一种用于泵车臂架状况监测的方法的流程示意图。如图3所示，步骤S13、将测试数据集输入至虚拟量测模型以得到预测应变量可以包括：

步骤S31、对测试数据集进行预处理；

步骤S32、将预处理后的测试数据集输入至虚拟量测模型，以得到预测应变量。

在本发明的实施例中，测试数据集的预处理也分为数据预处理以及模型确定两部分。其中，预处理可以包括：对所述测试数据集的数据进行对齐及缺失值处理、对测试数据集中的异常测试数据进行处理和/或对测试数据集进行特征扩展。

具体地，预处理分为数据预处理以及模型确定两部分。数据预处理是由于传感器采集原始数据存在各种各样的数据问题，因此在模型训练前需要进行一系列数据处理工作，使用的流程包括但不限于：数据对齐及缺失值处理、数据异常处理、特征扩展等。数据对齐是由于不同数据并非在同一时刻采集，因此需将多个输入、响应数据一一对应，通常使用插值算法实现。数据异常处理分为数据点异常和数据段异常，数据点异常的主要形式有数据点超量测、数据值突变等，通常由传感器设备不稳定或者信号传输过程异常引起，数据段异常的主要原因是不同时间段数据采集方式不同和人为动作(如传感器数据校准等)引起。在本发明的实施例中，对数据点异常可以进行删除操作，异常点的检测通过异常检测算法实现，可用的异常检测算法包括但不限于量程判断、3δ原则、箱型图分析等。对于针对数据段异常，可以根据及情况对数据进行补偿处理。数据段异常通常在数据采集阶段记录数据异常发生的原因及时刻，进行针对处理。数据预处理对应机器学习中的数据预处理步骤，通常没有标准的步骤，需要针对不同任务和数据属性进行改变。在本发明的实施例中，使用的数据预处理可以包括但不限于：插值算法处理缺失值、数据小波算法去躁等。特征扩展是指从采集的原始数据生成新的特征，以便发现潜在的、对虚拟量测更有利的特征。

机器学习回归模型算法的确定包括明确机器学习的输入、响应数据以及模型参数等，主要步骤包括模型选择、特征选择、模型调参与验证。本发明实施例的虚拟量测模型实质是一种数据回归问题，可用的模型可以包括但不限于：lightgbm模型、深度神经网络模型等。模型调参与验证是为了得到一组拥有最优评价值的模型超参数，可用的评价指标包括但不限于：平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、平均绝对误差(Mean Absolute Error，MAE)MAE等，其定义式如下列式子所示：

其中，y_i为任一模型响应序列的第i个真实值，为任一模型响应序列的第i个预测值，该序列的长度为n。同时，为了证明模型的结果具有普适性，通常可以使用K-Fold交叉验证。在本发明的实施例中，可以将测试数据集输入至训练好的虚拟量测模型，以得到预测应变量。

图4是本发明实施例提供的一种虚拟量测模型的流程示意图。如图4所示，本发明实施例包括数据采集、模型训练和虚拟量测三个部分。数据采集获取多个数据传感器采集的泵车臂架的训练数据集和测试数据集，例如，泵送压力、臂架倾角、臂架应变等。其中，臂架应变用于模型训练的响应。模型训练是基于训练数据集进行的机器学习回归训练，以得到虚拟量测模型，可以包括预处理和模型确定，预处理可以包括数据的异常处理、数据预处理以及特征扩展；模型确定可以包括模型选择、特征选择和模型调参与验证，再根据评价指标和真实值与预测值的关系确定模型训练的结果。训练好虚拟量测模型后，将测试数据集输入至虚拟量测模型，同样对测试数据集进行预处理，例如数据的异常处理、数据预处理以及特征扩展，基于预处理后的测试数据集进行应变预测，以得到预测应变量。

通过上述技术方案，使用低成本长寿命的传感器替代高成本的应变传感器，降低臂架状况监测的成本，通过虚拟量测模型预测应变量，提供稳定、可靠的开裂数据支持，从而使得对于泵车臂架状况监测方法成本较低且检测精度较高。

本发明实施例还提供一种处理器，被配置成执行上述实施例所述的用于泵车臂架状况监测的方法。

具体地，在本发明的实施例中，处理器被配置成：

获取多个数据传感器采集的泵车臂架的训练数据集和测试数据集；

基于训练数据集进行机器学习回归训练以得到虚拟量测模型；

将测试数据集输入至虚拟量测模型以得到泵车臂架的预测应变量。

在本发明的实施例中，泵车臂架的训练数据集是用于训练与泵车臂架状况监测相关的虚拟量测模型的数据集。虚拟量测不直接量测目标量，而是通过量测其他相关量，再使用预测模型来间接获取目标量的方法。训练数据集包括训练数据集的输入量和训练数据集的响应量，训练数据集的响应量可以包括臂架应变数据，训练数据集的输入量可以包括但不限于泵送压力数据、臂架倾角数据以及泵送状态数据。泵车臂架的测试数据集可以包括但不限于泵送压力数据、臂架倾角数据、泵送状态数据，将测试数据集输入训练好的虚拟量测模型，可以得到泵车臂架对应的预测应变量。具体地，可以通过多个数据传感器分别采集泵送压力数据、臂架倾角数据、泵送状态数据和臂架应变数据。其中，应变片采集的臂架应变数据是预测目标，也是机器学习算法的响应，臂架应变数据只在模型训练时需要采集，用于评判模型的可靠性，在虚拟量测阶段不需要采集。在本发明的实施例中，训练数据集和测试数据集可以通过多个数据传感器采集，数据传感器可以包括但不限于倾角数据采集传感器、应变片传感器、泵送压力传感器、泵送开关传感器等，根据采集数据的不同，可以将各传感器安装在泵车臂架的不同位置。数据传感器与后端数据处理个人计算机(PersonalComputer，PC)通信连接，数据处理器用于采集并记录泵车臂架的各项数据，后端数据处理PC在数据采集时可以用于不同数据信息采集器之间的时间对齐，在后端处理数据时，可以搭载高级语言实现模型训练集结果预测。

在本发明的实施例中，学习回归模型拟解决的问题是一个多输入多响应的问题。“输入”是指训练数据集的输入量，即通过各类传感器采集的臂架的数据，如泵送压力数据、臂架倾角数据以及泵送状态数据等，“响应”是指训练数据集的响应量，即通过应变传感器采集的各臂架上不同位置的应变数据。模型训练时，不同臂架位置的响应与多个输入数据之间单独建模。模型训练的预处理分为数据预处理以及模型确定两部分。数据预处理是由于传感器采集原始数据存在各种各样的数据问题，因此在模型训练前需要进行一系列数据处理工作，使用的流程包括但不限于：数据对齐及缺失值处理、数据异常处理、特征扩展等。数据对齐是由于不同数据并非在同一时刻采集，因此需将多个输入、响应数据一一对应，通常使用插值算法实现。数据异常处理分为数据点异常和数据段异常，数据点异常的主要形式有数据点超量测、数据值突变等，通常由传感器设备不稳定或者信号传输过程异常引起，数据段异常的主要原因是不同时间段数据采集方式不同和人为动作(如传感器数据校准等)引起。在本发明的实施例中，对数据点异常可以进行删除操作，异常点的检测通过异常检测算法实现，可用的异常检测算法包括但不限于量程判断、3δ原则、箱型图分析等。对于针对数据段异常，可以根据及情况对数据进行补偿处理。数据段异常通常在数据采集阶段记录数据异常发生的原因及时刻，以进行针对处理。数据预处理对应机器学习中的数据预处理步骤，通常没有标准的步骤，需要针对不同任务和数据属性进行改变。特征扩展是指从采集的原始数据生成新的特征，以便发现潜在的、对虚拟量测更有利的特征。机器学习回归模型确定包括明确机器学习的输入、响应数据以及模型参数等，主要步骤包括模型选择、特征选择、模型调参与验证。本发明实施例的虚拟量测模型实质是一种数据回归问题，可用的模型可以包括但不限于：lightgbm模型、深度神经网络模型等。模型调参与验证是为了得到一组拥有最优评价值的模型超参数。同时，为了证明模型的结果具有普适性，通常可以使用K-Fold交叉验证。在本发明的实施例中，可以将训练数据集的输入量作为输入，将训练数据集的响应量作为输出，进行机器学习回归训练，以得到虚拟量测模型。

在本发明的实施例中，在本发明的实施例中，使用虚拟量测模型的预处理也分为数据预处理以及模型确定两部分，具体参照步骤S12中关于模型训练的预处理方法。训练好虚拟量测模型之后，将测试数据集输入至虚拟量测模型，以得到泵车臂架实时的应变预测值，即预测应变量。

通过上述技术方案，使用低成本长寿命的传感器替代高成本的应变传感器，降低臂架状况监测的成本，通过虚拟量测模型预测应变量，提供稳定、可靠的开裂数据支持，从而使得对于泵车臂架状况监测方法成本较低且检测精度较高。

在本发明的实施例中，训练数据集可以包括训练数据集的输入量和训练数据集的响应量；

训练数据集的响应量包括臂架应变数据；

训练数据集的输入量可以臂架倾角数据和包括以下中的至少一者；

泵送压力数据、泵送状态数据。

在本发明的实施例中，测试数据集可以包括臂架倾角数据和以下中的至少一者：

泵送压力数据、泵送状态数据。

具体地，训练数据集包括训练数据集的输入量和训练数据集的响应量，训练数据集的响应量可以包括臂架应变数据，训练数据集的输入量可以包括但不限于泵送压力数据、臂架倾角数据以及泵送状态数据。泵车臂架的测试数据集可以包括但不限于泵送压力数据、臂架倾角数据、泵送状态数据，将测试数据集输入训练好的虚拟量测模型，可以得到泵车臂架对应的预测应变量。具体地，可以通过多个数据传感器分别采集泵送压力数据、臂架倾角数据、泵送状态数据和臂架应变数据。其中，应变片采集的臂架应变数据是预测目标，也是机器学习算法的响应，臂架应变数据只在模型训练时需要采集，用于评判模型的可靠性，在虚拟量测阶段不需要采集。

进一步地，处理器还被配置成：

基于训练数据集进行机器学习回归训练以得到虚拟量测模型可以包括：

对训练数据集进行预处理；

根据预处理后的训练数据集确定对应的机器学习回归模型；

将训练数据集的输入量作为输入，将训练数据集的响应量作为输出，对虚拟量测模型进行训练。

在本发明的实施例中，学习回归模型拟解决的问题是一个多输入多响应的问题。“输入”是指训练数据集的输入量，即通过各类传感器采集的臂架的数据，如泵送压力数据、臂架倾角数据以及泵送状态数据等，“响应”是指训练数据集的响应量，即通过应变传感器采集的各臂架上不同位置的应变数据。模型训练时，不同臂架位置的响应与多个输入数据之间单独建模。

在本发明的实施例中，预处理可以包括以下中的至少一者：

对训练数据集中的异常训练数据进行处理；对训练数据集进行特征扩展。

在本发明的实施例中，根据预处理后的训练数据集确定对应的机器学习回归模型可以包括：

确定机器学习回归模型算法；

对机器学习回归模型进行调参与验证以得到最优评价值的模型超参数。

具体地，模型训练的预处理分为数据预处理以及模型确定两部分。数据预处理是由于传感器采集原始数据存在各种各样的数据问题，因此在模型训练前需要进行一系列数据处理工作，使用的流程包括但不限于：数据对齐及缺失值处理、数据异常处理、特征扩展等。数据对齐是由于不同数据并非在同一时刻采集，因此需将多个输入、响应数据一一对应，通常使用插值算法实现。数据异常处理分为数据点异常和数据段异常，数据点异常的主要形式有数据点超量测、数据值突变等，通常由传感器设备不稳定或者信号传输过程异常引起，数据段异常的主要原因是不同时间段数据采集方式不同和人为动作(如传感器数据校准等)引起。在本发明的实施例中，对数据点异常可以进行删除操作，异常点的检测通过异常检测算法实现，可用的异常检测算法包括但不限于量程判断、3δ原则、箱型图分析等。对于针对数据段异常，可以根据及情况对数据进行补偿处理。数据段异常通常在数据采集阶段记录数据异常发生的原因及时刻，进行针对处理。数据预处理对应机器学习中的数据预处理步骤，通常没有标准的步骤，需要针对不同任务和数据属性进行改变。特征扩展是指从采集的原始数据生成新的特征，以便发现潜在的、对虚拟量测更有利的特征。

机器学习回归模型算法的确定包括明确机器学习的输入、响应数据以及模型参数等，主要步骤包括模型选择、特征选择、模型调参与验证。本发明实施例的虚拟量测模型实质是一种数据回归问题，可用的模型可以包括但不限于：lightgbm模型、深度神经网络模型等。模型调参与验证是为了得到一组拥有最优评价值的模型超参数，可用的评价指标包括但不限于：平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、平均绝对误差(Mean Absolute Error，MAE)MAE等，其定义式如下列式子所示：

其中，y_i为任一模型响应序列的第i个真实值，为任一模型响应序列的第i个预测值，该序列的长度为n。同时，为了证明模型的结果具有普适性，通常可以使用K-Fold交叉验证。在本发明的实施例中，可以将训练数据集的输入量作为输入，将训练数据集的响应量作为输出，进行机器学习回归训练，不断优化虚拟量测模型。

进一步地，处理器还被配置成：

将测试数据集输入至虚拟量测模型以得到预测应变量可以包括：

对测试数据集进行预处理；

将预处理后的测试数据集输入至虚拟量测模型，以得到预测应变量。

在本发明的实施例中，测试数据集的预处理也分为数据预处理以及模型确定两部分。其中，预处理可以包括：对所述测试数据集的数据进行对齐及缺失值处理、对测试数据集中的异常测试数据进行处理和/或对测试数据集进行特征扩展。

具体地，预处理分为数据预处理以及模型确定两部分。数据预处理是由于传感器采集原始数据存在各种各样的数据问题，因此在模型训练前需要进行一系列数据处理工作，使用的流程包括但不限于：数据对齐及缺失值处理、数据异常处理、特征扩展等。数据对齐是由于不同数据并非在同一时刻采集，因此需将多个输入、响应数据一一对应，通常使用插值算法实现。数据异常处理分为数据点异常和数据段异常，数据点异常的主要形式有数据点超量测、数据值突变等，通常由传感器设备不稳定或者信号传输过程异常引起，数据段异常的主要原因是不同时间段数据采集方式不同和人为动作(如传感器数据校准等)引起。在本发明的实施例中，对数据点异常可以进行删除操作，异常点的检测通过异常检测算法实现，可用的异常检测算法包括但不限于量程判断、3δ原则、箱型图分析等。对于针对数据段异常，可以根据及情况对数据进行补偿处理。数据段异常通常在数据采集阶段记录数据异常发生的原因及时刻，进行针对处理。数据预处理对应机器学习中的数据预处理步骤，通常没有标准的步骤，需要针对不同任务和数据属性进行改变。特征扩展是指从采集的原始数据生成新的特征，以便发现潜在的、对虚拟量测更有利的特征。

机器学习回归模型算法的确定包括明确机器学习的输入、响应数据以及模型参数等，主要步骤包括模型选择、特征选择、模型调参与验证。本发明实施例的虚拟量测模型实质是一种数据回归问题，可用的模型可以包括但不限于：lightgbm模型、深度神经网络模型等。模型调参与验证是为了得到一组拥有最优评价值的模型超参数，可用的评价指标包括但不限于：平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、平均绝对误差(Mean Absolute Error，MAE)MAE等，其定义式如下列式子所示：

其中，y_i为任一模型响应序列的第i个真实值，为任一模型响应序列的第i个预测值，该序列的长度为n。同时，为了证明模型的结果具有普适性，通常可以使用K-Fold交叉验证。在本发明的实施例中，可以将测试数据集输入至训练好的虚拟量测模型，以得到预测应变量。

图5是本发明实施例提供的一种用于泵车臂架状况监测的装置的结构示意图。如图5所示，本发明实施例还提供一种用于泵车臂架状况监测的装置，该装置包括：

多个数据传感器51，设置于泵车的臂架上，用于采集臂架的参数数据；

根据上述的处理器52。

在本发明的实施例中，臂架的参数数据分别通过设置于泵车臂架上的多个数据传感器51采集。

在本发明的实施例中，数据传感器包括：

倾角数据传感器511，用于采集泵车臂架的臂架倾角数据；

接近开关传感器513，用于采集泵车臂架的泵送状态数据。

在本发明的实施例中，数据传感器还包括以下中的至少一者：

压力传感器512，用于采集泵车臂架的泵送压力数据；

应变片传感器514，用于采集泵车臂架的臂架应变数据。

具体地，本发明实施例中的参数数据可以包括训练数据集和测试数据集。泵车臂架的训练数据集是用于训练与泵车臂架状况监测相关的虚拟量测模型的数据集。虚拟量测不直接量测目标量，而是通过量测其他相关量，再使用预测模型来间接获取目标量的方法。训练数据集包括训练数据集的输入量和训练数据集的响应量，训练数据集的响应量可以包括臂架应变数据，训练数据集的输入量可以包括但不限于泵送压力数据、臂架倾角数据以及泵送状态数据。泵车臂架的测试数据集可以包括但不限于泵送压力数据、臂架倾角数据、泵送状态数据，将测试数据集输入训练好的虚拟量测模型，可以得到泵车臂架对应的预测应变量。具体地，可以通过多个数据传感器分别采集泵送压力数据、臂架倾角数据、泵送状态数据和臂架应变数据。其中，应变片采集的臂架应变数据是预测目标，也是机器学习算法的响应，臂架应变数据只在模型训练时需要采集，用于评判模型的可靠性，在虚拟量测阶段不需要采集。在本发明的实施例中，训练数据集和测试数据集可以通过多个数据传感器采集，数据传感器可以包括但不限于倾角数据采集传感器、应变片传感器、泵送压力传感器、泵送开关传感器等，根据采集数据的不同，可以将各传感器安装在泵车臂架的不同位置。数据传感器与后端数据处理PC通信连接，数据处理器用于采集并记录泵车臂架的各项数据，后端数据处理PC在数据采集时可以用于不同数据信息采集器之间的时间对齐，在后端处理数据时，可以搭载高级语言实现模型训练集结果预测。

通过本发明实施例的装置，使用低成本长寿命的传感器替代高成本的应变传感器，降低臂架状况监测的成本，通过虚拟量测模型预测应变量，提供稳定、可靠的开裂数据支持，从而使得对于泵车臂架状况监测方法成本较低且检测精度较高。

本发明实施例还提供一种泵车，包括上述实施例所述的用于泵车臂架状况监测的装置。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。