[发明专利]分析异常诊断信息的方法、装置、介质和计算设备

说明书

本申请的实施例涉及机器学习技术领域，一些实施例提供了一种分析异常诊断信息的方法、装置、介质和计算设备包括：获取权重分布数据；权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，识别结果与历史输入数据对应；根据权重分布数据与各项异常特征融合得到至少一个热力图，热力图用于表征目标异常类别对应的异常特征；确定至少一个热力图中的焦点区域；若焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，理论异常区域为历史输入数据中根据先验知识确定的区域。本申请能够根据预设诊断工具的推理逻辑对识别结果的分析过程进行解释，使得机器学习模型的分析结果更加清楚。

技术领域

本申请实施例涉及机器学习技术领域，更具体地，本申请实施例涉及一种分析异常诊断信息的方法、装置、介质和计算设备。

背景技术

近年来，以机器学习尤其是深度学习为代表的人工智能技术，正在深刻改变人类的生产和生活方式，在现代工业系统中，可以通过训练得到的机器学习模型对工业系统中的机械设备进行异常诊断。目前，机器学习模型通常是黑箱模型，因此，在对用于异常诊断的机器学习模型的训练过程中，通常是将训练数据输入机器学习模型，训练数据中可以预先标注有异常标识或正常标识，异常标识还可以具体区分为多种不同的异常类型，机器学习模型可以拟合训练数据，使机器学习模型具备异常诊断功能。

在实践中发现，输入不同的训练数据，机器学习模型会输出与训练数据对应的输出结果，可以通过训练数据与输出结果之间的关系对机器学习模型进行训练，以使机器学习模型的异常诊断结果更加准确，可见，上述训练过程得到的机器学习模型的性能过于依赖输入的训练数据的质量，且在训练过程中只能根据训练数据与输出结果之间的变化关系推测机器学习分析异常诊断信息的的重点信息，无法得知机器学习模型在分析过程中产生的中间分析信息，因此，无法解释机器学习模型对训练数据分析得到输出结果的分析过程，导致了机器学习模型的分析过程不够清楚。

发明内容

在本上下文中，本申请实施例期望提供一种分析异常诊断信息的方法、装置、介质和计算设备，能够对机器学习模型的分析过程进行解释，使得机器学习模型的分析结果更加清楚。

在本申请的第一方面中，提供了一种基于联邦学习的数据处理方法，应用于第一终端设备，包括：

分析异常诊断信息的方法，所述方法包括：

获取权重分布数据；其中，所述权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，所述识别结果与历史输入数据对应；

根据所述权重分布数据与各项异常特征融合得到至少一个热力图，所述热力图用于表征目标异常类别对应的异常特征；

确定所述至少一个热力图中的焦点区域，所述焦点区域表示是否存在故障状态的待分析区域；

若所述焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，所述理论异常区域为所述历史输入数据中根据先验知识确定的区域。

在本申请的第二方面中，提供了一种分析异常诊断信息的装置，包括：

获取单元，用于获取权重分布数据；其中，所述权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，所述识别结果与历史输入数据对应；

融合单元，用于根据所述权重分布数据与各项异常特征融合得到至少一个热力图，所述热力图用于表征目标异常类别对应的异常特征；

第一确定单元，用于确定所述至少一个热力图中的焦点区域，所述焦点区域表示是否存在故障状态的待分析区域；

第二确定单元，用于若所述焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，所述理论异常区域为所述历史输入数据中根据先验知识确定的区域。