基于机器学习的数据训练方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108734088A(43)申请公布日2018.11.02(21)申请号201810273620.0(22)申请日2018.03.29(71)申请人浙江长兴笛卡尔科技有限公司地址313100浙江省湖州市长兴县吕山乡工业集中区(72)发明人马瑞(74)专利代理机构广州市越秀区哲力专利商标事务所(普通合伙)44288代理人胡拥军糜婧(51)Int.Cl.G06K9/00(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图3页(54)发明名称基于机器学习的数据训练方法及装置(57)摘要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。CN108734088ACN108734088A权利要求书1/2页1.一种基于机器学习的数据训练方法，其特征在于，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。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，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。3.根据权利要求1或2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。4.根据权利要求1或2所述的基于机器学习的数据训练方法，其特征在于，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。5.根据权利要求1或2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。6.根据权利要求1或2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。7.一种基于机器学习的数据训练装置，其特征在于，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；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；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。8.根据权利要求7所述的基于机器学习的数据训练装置，其特征在于，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。9.根据权利要求7或8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2CN108734088A权利要求书2/2页块用于：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。10.根据权利要求6或7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