[发明专利]基于机器学习的数据训练方法及装置

说明书

本发明公开了基于机器学习的数据训练方法及装置，能够结合低频特征和高频特征对数据序列进行分析，检测数据序列中的低频特征和高频特征，根据低频特征对数据序列进行分段，找出每个分段内的高频特征，根据上述步骤得到的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。本发明根据低频特征对数据序列进行分段，考虑到了低频特征的影响；每个分段内的高频特征予以保留，避免了高频特征被忽略的情况，考虑到了高频特征的影响，因此能够完整反映数据序列的特点。优选的，得到的神经网络可以用于数据诊断，应用到对电磁继电器和/或与之类似的利用电磁力实现机械动作的一大类装置如电磁阀的动作诊断中，可以发现故障尤其是微小故障。

技术领域

本发明涉及机器学习的技术领域，尤其涉及基于机器学习的数据训练方法及装置。

背景技术

如图1所示，图中是一段数据序列的可视化，横坐标表示时间，纵坐标表示幅度；该数据序列特别重要的点包括：A特征即突发性扰动，B特征即低频变化，以及很多个S特征即例常扰动。

现有技术在对数据序列进行分析时，往往是单纯针对低频特征进行讨论，或者是单纯针对高频特征进行讨论，不能将低频特征和高频特征结合起来进行数据分析，对于图1中的数据序列，容易出现A特征或者B特征被忽略的情况，不能完整反映数据序列的特点。

发明内容

为了克服现有技术的不足，本发明的目的在于提供基于机器学习的数据训练方法及装置，旨在解决现有技术对数据序列进行分析时容易出现某些特征被忽略、不能完整反映数据序列特点的问题。

本发明的目的采用以下技术方案实现：

一种基于机器学习的数据训练方法，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；

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；

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。

在上述实施例的基础上，优选的，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。

在上述任意实施例的基础上，优选的，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。

在上述任意实施例的基础上，优选的，低频信息包括低频特征的数量、发生时刻、持续时间、峰值；高频信息包括高频特征的数量、发生时刻、持续时间、峰值。

在上述任意实施例的基础上，优选的，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。

在上述任意实施例的基础上，优选的，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。

一种基于机器学习的数据训练装置，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；