[發明專利]一種檢測模型的確定方法、驗證方法和裝置

在審

• 申請號: 202010984910.3
• 申請日: 2020-09-18
• 公開（公告）號: CN112116002A
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 沈毅;李慧;潘樹強;王悅;林楓;陳靜;王自力;馬俊麗;張麗巖;李媛媛;霍晨生;董爍昶;彭時濤
• 申請（專利權）人: 北京旋極信息技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 吳曉霞;栗若木

本文公開了一種檢測模型的確定方法，包括，獲取樣本數據；根據從所述樣本數據中劃分出的第一樣本數據子集初始化并訓練長短時記憶神經網絡，確定訓練好的所述長短時記憶神經網絡；根據所述樣本數據確定第一任務集集合，利用所述第一任務集集合采用預定的元學習訓練算法對訓練好的長短時記憶神經網絡的模型參數進行調整，確定調整模型參數后的所述長短時記憶神經網絡為所述檢測模型。還公開了一種檢測模型的驗證方法，用于檢測上述方法所確定的檢測模型的檢測準確度。

技術領域

本公開涉及但不限于計算機技術領域，特別是涉及到一種檢測模型的確定方法、所述檢測模型的驗證方法和對應的裝置。

背景技術

PHM(故障預測與健康管理)是利用各類先進傳感器實時監測裝備運行狀態參數及特征信號，借助智能算法和模型來評估裝備健康狀態，預測剩余使用壽命，診斷故障類型并在故障發生前提供一系列的故障維修決策的系統。PHM技術是由先進的診斷技術、測試技術裝備維修管理理論相結合的產物。借助該項技術的故障診斷能力來識別故障類型。裝備使用人員與維修人員明確裝備故障類型，從而采取有效的維修方式，有效降低故障風險，節約裝備資源，減少因裝備故障誤診帶來的經濟損失。

目前，PHM技術對于實施裝備產生的未知、少次信號的檢測的方法目前主要有：基于傳統的機器學習的檢測方法，基于深度學習的方法，基于專家系統的檢測方法。

基于傳統的機器學習與深度學習方法的缺陷在于：在缺少足夠的訓練樣本的情況下，容易造成學習過擬合現象，并陷入局部最優化。基于專家系統的檢測方法，依賴于先驗的背景知識，對于已知樣本的檢測具有很好的效果，但對于未知的、少次樣本的信號的檢測判斷不穩定。

發明內容

以下是對本文詳細描述的主題的概述。本概述并非是為了限制權利要求的保護范圍。

本公開實施例提供了一種檢測模型的確定方法，能夠基于未知或少量樣本數據建立具備高檢測準確率的檢測模型。本公開實施例還提供一種對上述檢測模型進行驗證的方法，確定該檢測模型的檢測準確度。

本公開實施例提供一種檢測模型的確定方法，包括，

獲取樣本數據，所述樣本數據包括：攜帶有正常標簽的正常樣本數據和攜帶有異常標簽的異常樣本數據；

根據從所述樣本數據中劃分出的第一樣本數據子集初始化并訓練長短時記憶神經網絡，確定訓練好的所述長短時記憶神經網絡；

根據所述樣本數據確定第一任務集集合，利用所述第一任務集集合采用預定的元學習訓練算法對訓練好的長短時記憶神經網絡的模型參數進行調整，確定調整模型參數后的所述長短時記憶神經網絡為所述檢測模型。

一些示例性實施例中，所述根據所述樣本數據確定第一任務集集合，包括：

將所述樣本數據分為正常樣本數據集和異常樣本數據集；

根據所述正常樣本數據集和所述異常樣本數據集構建多組支持集和疑問集；

根據所述多組支持集和疑問集，確定多個任務集；其中，每一個任務集對應一組支持集和疑問集；

從所述多個任務集中選擇第一預設比例的任務集構成所述第一任務集集合。

一些示例性實施例中，所述樣本數據從1個設備中采集，每一個設備所采集的正常樣本量和異常樣本量相等；

根據所述正常樣本數據集和所述異常樣本數據集構建多組支持集和疑問集，包括：

將所述正常樣本數據集分為1個正常子集，將所述異常樣本數據集分為1個異常子集；每一個正常子集中的樣本數據為同一個設備所采集的正常樣本數據，每一個異常子集中的樣本數據為同一個設備所采集的異常樣本數據；

每一組支持集和疑問集分別根據以下方式構建：