[發明專利]用于優化模型的方法、設備和存儲介質

在審

• 申請號: 202010500899.9
• 申請日: 2020-06-04
• 公開（公告）號: CN113761979A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 劉威;孫俊
• 申請（專利權）人: 富士通株式會社
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01M13/021;G01M13/028
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 康建峰;陳煒

1.一種用于優化模型的方法，包括：

將標記為正常或異常的數據的時域版本輸入基于卷積神經網絡的異常檢測模型并且將所述數據的頻域版本輸入物理模型；

如果所述異常檢測模型的輸出與所述數據的標記相同而所述物理模型的輸出與所述數據的標記不同，則調整所述物理模型的閾值；和

如果所述異常檢測模型的輸出與所述數據的標記不同而所述物理模型的輸出與所述數據的標記相同，則訓練所述異常檢測模型，其中，訓練所述異常檢測模型包括：調整所述物理模型的閾值，從使用調整后的閾值的所述物理模型得到其標記相對于閾值調整前反轉的數據以及利用該標記反轉的數據、以其反轉前的標記來訓練所述異常檢測模型。

2.根據權利要求1所述的方法，其中，如果所述數據的標記為正常并且所述異常檢測模型的輸出為正常而所述物理模型的輸出為異常，則減小所述物理模型的閾值；以及

如果所述數據的標記為異常并且所述異常檢測模型的輸出為異常而所述物理模型的輸出為正常，則增加所述物理模型的閾值。

3.根據權利要求1所述的方法，其中，訓練所述異常檢測模型包括：

如果所述數據的標記為正常并且所述異常檢測模型的輸出為異常而所述物理模型的輸出為正常，則增加所述物理模型的閾值，從使用增加的閾值的所述物理模型得到其標記從正常變為異常的數據，并且利用該數據、以其正常標記來訓練所述異常檢測模型；以及

如果所述數據的標記為異常并且所述異常檢測模型的輸出為正常而所述物理模型的輸出為異常，則減小所述物理模型的閾值，從使用減小的閾值的所述物理模型得到其標記從異常變為正常的數據，并且利用該數據、以其異常標記來訓練所述異常檢測模型。

4.根據權利要求2所述的方法，其中，訓練所述異常檢測模型包括：

如果所述數據的標記為正常并且所述異常檢測模型的輸出為異常而所述物理模型的輸出為正常，則增加所述物理模型的閾值，從使用增加的閾值的所述物理模型得到其標記從正常變為異常的數據，并且利用該數據、以其正常標記來訓練所述異常檢測模型；以及

如果所述數據的標記為異常并且所述異常檢測模型的輸出為正常而所述物理模型的輸出為異常，則減小所述物理模型的閾值，從使用減小的閾值的所述物理模型得到其標記從異常變為正常的數據，并且利用該數據、以其異常標記來訓練所述異常檢測模型。

5.根據權利要求1至4中任一項所述的方法，其中，所述數據的時域版本是與齒輪箱的檢測點相對應的震動信號，并且所述數據的頻域版本是所述震動信號通過時域-頻域變換而被轉換的頻域信號。

6.根據權利要求5所述的方法，其中，標記為異常的數據指示所述齒輪箱的異常或故障。

7.根據權利要求6所述的方法，還包括基于所述異常檢測模型和所述物理模型的輸出來擴充異常知識庫，其包括：

在所述數據的標記為異常的情況下，如果所述異常檢測模型和所述物理模型的輸出均為異常則基于該標記為異常的數據來擴充所述異常知識庫。

8.根據權利要求6所述的方法，還包括聯合使用優化后的物理模型和優化后的異常檢測模型來檢測齒輪箱的異常。

9.一種用于優化模型的設備，包括：

數據輸入裝置，其被配置成將標記為正常或異常的數據的時域版本輸入基于卷積神經網絡的異常檢測模型并且將所述數據的頻域版本輸入物理模型；

閾值調整裝置，其被配置成如果所述異常檢測模型的輸出與所述數據的標記相同而所述物理模型的輸出與所述數據的標記不同，則調整所述物理模型的閾值；和

模型訓練裝置，其被配置成如果所述異常檢測模型的輸出與所述數據的標記不同而所述物理模型的輸出與所述數據的標記相同，則訓練所述異常檢測模型，其中，訓練所述異常檢測模型包括：調整所述物理模型的閾值，從使用調整后的閾值的所述物理模型得到其標記相對于閾值調整前反轉的數據以及利用該標記反轉的數據、以其反轉前的標記來訓練所述異常檢測模型。

10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有能夠由處理器運行來執行以下操作的程序：

將標記為正常或異常的數據的時域版本輸入基于卷積神經網絡的異常檢測模型并且將所述數據的頻域版本輸入物理模型；

如果所述異常檢測模型的輸出與所述數據的標記相同而所述物理模型的輸出與所述數據的標記不同，則調整所述物理模型的閾值；和

如果所述異常檢測模型的輸出與所述數據的標記不同而所述物理模型的輸出與所述數據的標記相同，則訓練所述異常檢測模型，其中，訓練所述異常檢測模型包括：調整所述物理模型的閾值，從使用調整后的閾值的所述物理模型得到其標記相對于閾值調整前反轉的數據以及利用該標記反轉的數據、以其反轉前的標記來訓練所述異常檢測模型。