[發明專利]基于機器學習的數據訓練方法及裝置

有效

• 申請號: 201810273620.0
• 申請日: 2018-03-29
• 公開（公告）號: CN108734088B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 馬瑞
• 申請（專利權）人: 丁志祿
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 廣州市越秀區哲力專利商標事務所(普通合伙) 44288
• 代理人: 胡擁軍;糜婧

本發明公開了基于機器學習的數據訓練方法及裝置，能夠結合低頻特征和高頻特征對數據序列進行分析，檢測數據序列中的低頻特征和高頻特征，根據低頻特征對數據序列進行分段，找出每個分段內的高頻特征，根據上述步驟得到的數據給定標簽并進行神經網絡訓練，得到符合預期的神經網絡。本發明根據低頻特征對數據序列進行分段，考慮到了低頻特征的影響；每個分段內的高頻特征予以保留，避免了高頻特征被忽略的情況，考慮到了高頻特征的影響，因此能夠完整反映數據序列的特點。優選的，得到的神經網絡可以用于數據診斷，應用到對電磁繼電器和/或與之類似的利用電磁力實現機械動作的一大類裝置如電磁閥的動作診斷中，可以發現故障尤其是微小故障。

技術領域

本發明涉及機器學習的技術領域，尤其涉及基于機器學習的數據訓練方法及裝置。

背景技術

如圖1所示，圖中是一段數據序列的可視化，橫坐標表示時間，縱坐標表示幅度；該數據序列特別重要的點包括：A特征即突發性擾動，B特征即低頻變化，以及很多個S特征即例常擾動。

現有技術在對數據序列進行分析時，往往是單純針對低頻特征進行討論，或者是單純針對高頻特征進行討論，不能將低頻特征和高頻特征結合起來進行數據分析，對于圖1中的數據序列，容易出現A特征或者B特征被忽略的情況，不能完整反映數據序列的特點。

發明內容

為了克服現有技術的不足，本發明的目的在于提供基于機器學習的數據訓練方法及裝置，旨在解決現有技術對數據序列進行分析時容易出現某些特征被忽略、不能完整反映數據序列特點的問題。

本發明的目的采用以下技術方案實現：

一種基于機器學習的數據訓練方法，包括：

低頻檢測步驟，檢測數據序列中的低頻特征，獲取低頻信息；

分段步驟，根據低頻信息，對數據序列進行分段；

高頻檢測步驟，檢測數據序列中的高頻特征，獲取高頻信息；

裝筐步驟，根據數據序列的分段結果，將每個分段起止時間內檢測到的高頻信息分別保存，得到裝筐數據；

訓練步驟，利用裝筐數據，給定標簽并進行神經網絡訓練，得到符合預期的神經網絡。

在上述實施例的基礎上，優選的，還包括：

診斷步驟，接收被診斷對象的執行狀態數據，并依次進入低頻檢測步驟、分段步驟、高頻監測步驟、裝筐步驟，得到與執行狀態數據相應的裝筐數據；利用訓練得到的神經網絡，輸入與執行狀態數據相應的裝筐數據，得到與執行狀態數據相應的診斷結果。

在上述任意實施例的基礎上，優選的，低頻特征為持續時間超過總序列時間1/N的特征；高頻特征為持續時間小于總序列時間1/N且大于等于單位時間的特征。

在上述任意實施例的基礎上，優選的，低頻信息包括低頻特征的數量、發生時刻、持續時間、峰值；高頻信息包括高頻特征的數量、發生時刻、持續時間、峰值。

在上述任意實施例的基礎上，優選的，所述分段步驟，具體為：

如果低頻特征的數量為p，則將數據序列分段為第一低頻特征之前、第一低頻特征過程中、第一低頻特征與第二低頻特征之間、第二低頻特征過程中、第二低頻特征與第三低頻特征之間……第p-1低頻特征與第p低頻特征之間、第p低頻特征過程中、第p低頻特征之后。

在上述任意實施例的基礎上，優選的，所述裝筐步驟，具體為：

根據數據序列的分段結果，將每個分段起止時間內檢測到的高頻信息分別保存，且各個分段內保存的高頻特征數量相同，得到裝筐數據。

一種基于機器學習的數據訓練裝置，包括：

低頻檢測模塊，用于檢測數據序列中的低頻特征，獲取低頻信息；