[发明专利]基于机器学习的数据训练方法及装置

权利要求书

1.一种基于机器学习的数据训练方法，其特征在于，用于电磁继电器动作诊断模型和/或电磁阀动作诊断模型的训练，包括：

低频检测步骤，检测数据序列中的低频特征，获取低频信息，所述低频信息包括低频特征的数量、发生时刻、持续时间、峰值；

分段步骤，根据低频信息，对数据序列进行分段；

高频检测步骤，检测数据序列中的高频特征，获取高频信息，所述高频信息包括高频特征的数量、发生时刻、持续时间、峰值；

装筐步骤，根据数据序列的分段结果，将每个分段起止时间内检测到的高频信息分别保存，得到装筐数据；

训练步骤，利用装筐数据，给定标签并进行神经网络训练，得到符合预期的神经网络；

其中，所述发生时刻为低频特征或高频特征的峰或谷对应到横轴上的时刻；

所述持续时间为低频特征或高频特征的长度；

所述峰值为低频特征或高频特征的峰或谷对应的纵轴读数；

所述基于机器学习的数据训练方法还包括：

诊断步骤，接收被诊断对象的执行状态数据，并依次进入低频检测步骤、分段步骤、高频监测步骤、装筐步骤，得到与执行状态数据相应的装筐数据；利用训练得到的神经网络，输入与执行状态数据相应的装筐数据，得到与执行状态数据相应的诊断结果；其中，

所述被诊断对象的执行状态包括正常且无放电、正常单有梳状放电以及正常但发生了弹跳放电。

2.根据权利要求1所述的基于机器学习的数据训练方法，其特征在于，低频特征为持续时间超过总序列时间1/N的特征；高频特征为持续时间小于总序列时间1/N且大于等于单位时间的特征。

3.根据权利要求1所述的基于机器学习的数据训练方法，其特征在于，所述分段步骤，具体为：

如果低频特征的数量为p，则将数据序列分段为第一低频特征之前、第一低频特征过程中、第一低频特征与第二低频特征之间、第二低频特征过程中、第二低频特征与第三低频特征之间……第p-1低频特征与第p低频特征之间、第p低频特征过程中、第p低频特征之后。

4.根据权利要求1所述的基于机器学习的数据训练方法，其特征在于，所述装筐步骤，具体为：

根据数据序列的分段结果，将每个分段起止时间内检测到的高频信息分别保存，且各个分段内保存的高频特征数量相同，得到装筐数据。

5.一种基于机器学习的数据训练装置，其特征在于，用于电磁继电器动作诊断模型和/或电磁阀动作诊断模型的训练，包括：

低频检测模块，用于检测数据序列中的低频特征，获取低频信息，所述低频信息包括低频特征的数量、发生时刻、持续时间、峰值；

分段模块，用于根据低频信息，对数据序列进行分段；

高频检测模块，用于检测数据序列中的高频特征，获取高频信息，所述高频信息包括高频特征的数量、发生时刻、持续时间、峰值；

装筐模块，用于根据数据序列的分段结果，将每个分段起止时间内检测到的高频信息分别保存，得到装筐数据；

训练模块，用于利用装筐数据，给定标签并进行神经网络训练，得到符合预期的神经网络；

其中，所述发生时刻为低频特征或高频特征的峰或谷对应到横轴上的时刻；

所述持续时间为低频特征或高频特征的长度；

所述峰值为低频特征或高频特征的峰或谷对应的纵轴读数；

所述基于机器学习的数据训练装置还包括：

诊断模块，用于接收被诊断对象的执行状态数据，并依次调用低频检测模块、分段模块、高频监测模块、装筐模块，得到与执行状态数据相应的装筐数据；利用训练得到的神经网络，输入与执行状态数据相应的装筐数据，得到与执行状态数据相应的诊断结果；其中，

所述被诊断对象的执行状态包括正常且无放电、正常单有梳状放电以及正常但发生了弹跳放电。

6.根据权利要求5所述的基于机器学习的数据训练装置，其特征在于，所述分段模块用于：

如果低频特征的数量为p，则将数据序列分段为第一低频特征之前、第一低频特征过程中、第一低频特征与第二低频特征之间、第二低频特征过程中、第二低频特征与第三低频特征之间……第p-1低频特征与第p低频特征之间、第p低频特征过程中、第p低频特征之后。

7.根据权利要求5所述的基于机器学习的数据训练装置，其特征在于，所述装筐模块用于：

根据数据序列的分段结果，将每个分段起止时间内检测到的高频信息分别保存，且各个分段内保存的高频特征数量相同，得到装筐数据。