CN118092403A - 电控检测模型训练方法、电控***检测方法及装置 - Google Patents
电控检测模型训练方法、电控***检测方法及装置 Download PDFInfo
- Publication number
- CN118092403A CN118092403A CN202410489966.XA CN202410489966A CN118092403A CN 118092403 A CN118092403 A CN 118092403A CN 202410489966 A CN202410489966 A CN 202410489966A CN 118092403 A CN118092403 A CN 118092403A
- Authority
- CN
- China
- Prior art keywords
- electric control
- control data
- target
- data sample
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 149
- 238000012549 training Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 97
- 238000000605 extraction Methods 0.000 claims description 44
- 230000007613 environmental effect Effects 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000002860 competitive effect Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000008846 dynamic interplay Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 description 279
- 230000008569 process Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000035772 mutation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000013068 control sample Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请涉及电控检测技术领域,提供一种电控检测模型训练方法、电控***检测方法及装置,所述训练方法包括:根据当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,确定任一电控数据样本的当前动态邻域;多次根据各电控数据样本中的目标数据样本,与目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本更新当前样本集,以基于更新后的当前样本集,更新各电控数据样本的当前动态邻域,直至当前样本集的迭代次数达到预设次数,得到目标样本集;利用目标样本集对电控检测模型进行训练,得到训练好的电控检测模型。本申请提供的电控检测模型训练方法能够提高对电控数据所对应的故障类型的识别准确率。
Description
技术领域
本申请涉及电控检测技术领域,具体涉及一种电控检测模型训练方法、电控***检测方法及装置。
背景技术
电控***是工业设备的核心技术之一,其稳定性和可靠性对于保障设备的正常运行和安全性至关重要,因此,为实现电控***的故障检测,可通过将检测到的电控数据,如电机的温度数据等输入基于神经网络训练的电控检测模型进行检测,以根据电控检测模型输出的故障标签,来判断该电控数据所对应的故障类型。因此,电控***的故障识别准确率依赖于该电控检测模型。
相关技术中,对于进行电控***检测的电控检测模型的训练,是将各种故障类型对应的电控数据作为数据样本,输入到初始模型中进行训练以得到电控检测模型。然而,在实际情况中,不同故障类型的电控数据呈现长尾分布,样本极不均衡,导致模型在面临多故障类型的样本时分类能力下降,训练难度提升。同时,由于不同故障类型的电控数据的样本不均衡,大部分故障类型的电控数据的样本数量通常较少,因此在训练过程中,模型会偏向于样本数量较多的故障类型,数量较少的故障类型得不到充分地学习。虽然可采用降采样的方法使故障类型较少的样本被反复使用,但这种方式容易造成模型的过拟合,影响电控检测模型对电控数据所对应的故障类型的识别准确率。
发明内容
本申请旨在至少解决相关技术中存在的技术问题之一。为此,本申请提出一种电控检测模型训练方法,能够提高电控检测模型对电控数据所对应的故障类型的识别准确率。
根据本申请第一方面实施例的电控检测模型训练方法,包括:
根据当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,确定任一所述电控数据样本的当前动态邻域;
多次根据各所述电控数据样本中的目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,添加至所述当前样本集,以基于更新后的当前样本集,更新各所述电控数据样本的当前动态邻域,直至所述当前样本集的迭代次数达到预设次数,得到目标样本集;
根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型;
其中,所述目标数据样本所属的实际故障类型对应的电控数据样本数量小于预设值。
通过当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,确定任一电控数据样本的当前动态邻域,并多次根据各电控数据样本中的目标数据样本,与目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,添加至当前样本集,以基于更新后的当前样本集,更新各电控数据样本的当前动态邻域,直至当前样本集的迭代次数达到预设次数,得到目标样本集后,再利用目标样本集中的各电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型,从而能够对故障类型较少的数据样本进行扩充,以生成更具代表性和多样性的电控数据样本来对模型进行训练,从而有效地解决了训练样本不足和数据不平衡的问题,提高电控检测模型的训练效果,进而提高电控检测模型对电控数据所对应的实际故障类型的识别准确率。
根据本申请的一个实施例,根据各所述电控数据样本中的目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,包括:
将所述目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,输入合成参数,生成确定性等价样本/>;
根据调整公式,调整所述确定性等价样本,得到生成新的电控数据样本;
其中,表示目标数据样本/>,与所述目标数据样本/>的当前动态领域中的各电控数据样本/>之间的差异函数,/>表示权重因子,/>表示预设近邻数量,/>表示新的电控数据样本,/>表示特征调整函数,/>包括预设特征扩展系数和预设偏移量,/>表示目标数据样本的预设影响因子。
根据本申请的一个实施例,还包括:
在每次得到新的电控数据样本后,根据新的电控数据样本所对应的实际故障类型,以及调整函数,更新所述权重因子、所述预设特征扩展系数以及所述预设偏移量;
其中,表示参数调整函数,/>表示适应度函数的梯度,/>表示对应的实际故障类型,/>表示适应度函数。
根据本申请的一个实施例,所述电控检测模型包括特征提取子模型;
根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型,包括:
多次根据所述目标样本集中的所述电控数据样本,确定所述特征提取子模型的网络参数集中各网络参数的目标适应度,每次均在选择一个所述网络参数作为所述特征提取子模型的当前网络参数后,根据所述电控数据样本输入电控检测模型后得到的预测故障类型和所述电控数据样本的实际故障类型,计算所述特征提取子模型中当前网络参数的目标适应度,以根据所述当前网络参数的目标适应度生成目标网络参数添加至所述网络参数集,直至所述目标网络参数的目标适应度达到预设值,或所述网络参数集的更新次数达到预设次数,根据所述目标网络参数,生成训练好的特征提取子模型。
根据本申请的一个实施例,根据所述电控数据样本输入电控检测模型后得到的预测故障类型和所述电控数据样本的实际故障类型,计算所述特征提取子模型中当前网络参数的目标适应度,以根据所述当前网络参数的目标适应度生成目标网络参数添加至所述网络参数集,包括:
将所述电控数据样本的预测故障类型,和所述电控数据样本的实际故障类型,输入非线性函数,得到所述特征提取子模型中当前第i个网络参数的初始适应度/>;
将所述初始适应度输入适应度函数/>,得到所述当前第i个网络参数的个体适应度/>;
根据函数以及函数/>,得到所述当前第i个网络参数的目标适应度;
根据函数,得到所述目标网络参数/>添加至所述网络参数集;
其中:
,/>和/>表示第i个网络参数中的权重和偏置,/>为遗传因素函数,/>为根据所述预测故障类型和所述实际故障类型确定的损失函数的逆,/>为描述当前第i个网络参数与环境变量之间的动态相互作用的非线性函数,Sig()为Sigmoid激活函数,/>为预设权重系数;
,/>和/>表示预设权重系数,表示所述权重和所述偏置的方差;
,/>表示预设权重系数,/>代表环境变量的第/>个元素,/>表示与环境变量/>相关联的输入特征,/>表示双曲正切函数;
,/>代表损失函数,/>表示所述实际故障类型,/>是所述预测故障类型,由预设的Softmax函数得到;
表示权重调整系数,代表网络参数间相互作用的影响程度,/>表示当前第/>个网络参数和网络参数集中第/>个网络参数之间的相互作用强度,/>表示当前第/>个网络参数和网络参数集中第/>个网络参数之间的竞争强度,/>,/>,,/>和/>分别代表第/>个网络参数和第/>个网络参数对第/>种资源的需求,/>表示资源的总类别数,/>,/>,和/>分别表示调整竞争和共生强度的自适应函数,/>表示性能反馈函数,/>表示/>的变化量;
表示生态相互作用矩阵,元素/>表示第/>个网络参数和第/>个网络参数之间的关系类型,/>表示预设环境复杂度系数,/>表示环境变化因子,/>;
,/>表示预设步长,/>表示指向适应度增加最大方向的梯度。
根据本申请的一个实施例,所述电控检测模型包括特征降维子模型;
根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型,包括:
将各所述电控数据样本输入训练好的特征提取子模型,得到各所述电控数据样本的特征数据;
将各所述特征数据依次输入所述特征降维子模型的编码器,每次输入均在获取编码器输出的压缩数据后,将所述压缩数据输入解码器,得到重构数据,并根据所述特征数据与所述重构数据的匹配结果,采用梯度下降法,通过误差反向传播调整所述编码器和所述解码器的网络参数,再进行下一次训练,直至训练次数达到预设次数;
其中,在每次训练中,当所述编码器的损失降至预设阈值时,暂停所述编码器的参数调整;当所述解码器的损失值降至预设阈值时,暂停所述解码器的参数调整。
根据本申请的一个实施例,所述电控检测模型包括分类子模型;
根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型,包括:
将各所述电控数据样本的特征数据输入训练好的特征降维子模型,得到各所述电控数据样本的目标特征;
将各所述目标特征依次输入所述分类子模型,通过超限学习机算法训练所述分类子模型,并在任一次通过超限学习机算法训练的所述分类子模型的预测准确率未达到预设值时,对分类子模型的网络参数进行重置,以重新训练所述分类子模型,直至每次输入的所述电控数据样本的目标特征得到的预测故障类型,与本次输入的电控数据样本对应的实际故障类型相匹配,得到训练好的所述分类子模型。
根据本申请第二方面实施例的电控***检测方法,包括:
获取待检测的电控数据;
将所述电控数据输入训练好的电控检测模型中,得到所述电控数据的实际故障类型;
其中,所述电控检测模型由上述任一实施例所述的电控检测模型训练方法训练得到。
根据本申请第三方面实施例的电控检测模型训练装置,包括:
动态领域确定模块,用于根据当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,确定任一所述电控数据样本的当前动态邻域;
数据样本扩容模块,用于多次根据各所述电控数据样本中的目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,添加至所述当前样本集,以基于更新后的当前样本集,更新各所述电控数据样本的当前动态邻域,直至所述当前样本集的迭代次数达到预设次数,得到目标样本集;
检测模型训练模块,用于根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型;
其中,所述目标数据样本所属的实际故障类型对应的电控数据样本数量小于预设值。
根据本申请第四方面实施例的电控检测模型训练装置,包括:
电控数据获取模块,用于获取待检测的电控数据;
电控***检测模块,用于将所述电控数据输入训练好的电控检测模型中,得到所述电控数据的实际故障类型;
其中,所述电控检测模型由上述任一实施例所述的电控检测模型训练方法训练得到。
根据本申请第五方面实施例的电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述计算机程序时实现上述任一实施例所述的电控检测模型训练方法,或上述任一实施例所述的电控***检测方法。
根据本申请第四方面实施例的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的电控检测模型训练方法,或上述任一实施例所述的电控***检测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本申请实施例提供的电控检测模型训练方法的流程示意图;
图2是本申请实施例提供的电控***检测方法的流程示意图;
图3是本申请实施例提供的电控检测模型训练装置的结构示意图;
图4是本申请实施例提供的电控***检测装置的结构示意图;
图5是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面,将通过几个具体的实施例对本申请实施例提供的电控检测模型训练方法、电控***检测方法及装置进行详细介绍和说明。
在一实施例中,提供了一种电控检测模型训练方法,该方法应用于终端设备,用于进行电控检测模型训练。其中,终端设备可以是台式终端、移动终端、车载终端以及服务器等电子设备,服务器可以是独立的服务器或者是多台服务器组成的服务器集群来实现,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能采样点设备等基础云计算服务的云服务器。
如图1所示,本实施例提供的一种电控检测模型训练方法,该方法包括:
步骤101,根据当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,确定任一所述电控数据样本的当前动态邻域;
步骤102,多次根据各所述电控数据样本中的目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,添加至所述当前样本集,以基于更新后的当前样本集,更新各所述电控数据样本的当前动态邻域,直至所述当前样本集的迭代次数达到预设次数,得到目标样本集;
步骤103,根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型;
其中,所述目标数据样本所属的实际故障类型对应的电控数据样本数量小于预设值。
在一些实施例中,可先采集多个已确定实际故障类型的电控数据样本,组成原始样本集。其中,实际故障类型可以包括轻微故障、重大故障和紧急停机等多种故障类型,电控数据样本可以是电控***的传感器的读数,或电控***的***日志中记录的电控***在运行过程中的事件。示例性的,电控数据样本可以是电控***中电机的温度、电机的功率、电控***的运行时长等等。
在获取到原始样本集后,可先对原始样本集中得到各电控样本数据进行向量化,以得到基于特征向量表示的各电控数据样本。示例性的,原始数据集可以表示为,其中/>为用特征向量表示的电控数据样本,/>表示电控样本数据对应的实际故障类型,/>为电控数据样本数量。
在得到原始样本集后,可将该原始样本集作为当前样本集,然后根据当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,来进行当前样本集中各电控数据样本的动态邻域选择。如对于当前样本集中的每个电控数据样本,根据其k最近邻(k-NN)的特征向量距离和预设近邻数量,确定其当前动态邻域的大小,确保邻域的选择既能反映局部数据结构的特性,又能适应数据的全局分布。示例性的,假设预设近邻数量5,则针对某个电控数据样本,可从当前样本集中,获取与其特征向量距离最近的5个电控数据样本,组成该电控数据样本的当前动态邻域。
在确定各电控数据样本的当前动态领域后,即可将电控数据样本中,所属的实际故障类型的电控数据样本数量小于预设值的电控数据样本,作为目标数据样本,然后将该目标数据样本与其当前动态领域中的各电控数据样本进行组合,形成新的电控数据样本添加至当前样本集,以更新当前样本集。在当前样本集更新后,即可重新根据更新后的当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,更新任一电控数据样本的当前动态邻域,然后再根据各电控数据样本中的目标数据样本,与目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,并根据该目标数据样本所属的实际故障类型,确定新的电控数据样本的实际故障类型,即新的电控数据样本与目标数据样本所属的实际故障类型相同。以此类推,直至当前样本集的迭代次数达到预设次数,如500次,或者各实际故障类型中的样本数量达到设定值,则停止更新,并将此时得到的当前样本集作为目标样本集,用于后续进行电控检测模型的训练。
其中,对于新的电控数据样本的生成,可以是采用确定性等价的SMOTE算法,将目标数据样本,与该目标数据样本的当前动态领域中的各电控数据样本进行自适应异构数据生成,以得到新的电控数据样本。如在目标数据样本的当前动态领域内,根据预设的生成策略和自适应调整因子,生成新的电控数据样本。示例性的,对于目标数据样本,其生成新的电控数据样本的方式可以表示为:
其中,表示基于目标样本/>与其当前动态领域中的各电控数据样本/>之间的差异函数,/>为权重因子,表示近邻的重要性,/>为预设近邻数量,可根据实际情况进行设定。如可设置为5。/>为通过确定性等价过程生成的确定性等价样本。
在得到该确定性等价样本后,即可将该确定性等价样本/>标记为新的电控数据样本。
在得到目标样本集后,即可将目标样本集中的各电控数据样本,输入至电控检测模型进行训练,以得到训练好的电控检测模型。如将目标样本集中的各电控数据样本依次输入训练好的电控检测模型,每次输入均在获取电控检测模型输出的预测故障类型后,将预测故障类型与本次输入的电控数据样本对应的实际故障类型进行匹配。在两者不匹配的情况下,采用梯度下降法,通过误差反向传播调整电控检测模型的网络参数,再进行下一次训练,直至每次输入的电控数据样本得到的预测故障类型,与本次输入的电控数据样本对应的实际故障类型相匹配,则表示完成电控检测模型的训练,得到预先训练的电控检测模型。
通过当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,确定任一电控数据样本的当前动态邻域,并多次根据各电控数据样本中的目标数据样本,与目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,添加至当前样本集,以基于更新后的当前样本集,更新各电控数据样本的当前动态邻域,直至当前样本集的迭代次数达到预设次数,得到目标样本集后,再利用目标样本集中的各电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型,从而能够对故障类型较少的数据样本进行扩充,以生成更具代表性和多样性的电控数据样本来对模型进行训练,从而有效地解决了训练样本不足和数据不平衡的问题,提高电控检测模型的训练效果,进而提高电控检测模型对电控数据所对应的实际故障类型的识别准确率。
为进一步提高电控检测模型的训练效果,在一些实施例中,根据各所述电控数据样本中的目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,包括:
将所述目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,输入合成参数,生成确定性等价样本/>;
根据调整公式,调整所述确定性等价样本,得到生成新的电控数据样本;
其中,表示目标数据样本/>,与所述目标数据样本/>的当前动态领域中的各电控数据样本/>之间的差异函数,/>表示权重因子,/>表示预设近邻数量,/>表示新的电控数据样本,/>表示特征调整函数,/>包括预设特征扩展系数和预设偏移量,/>表示目标数据样本的预设影响因子。
在一些实施例中,对于新的电控数据样本的生成,可先基于目标数据样本生成确定性等价样本/>,具体为:
在得到确定性等价样本后,可结合样本特征的非线性关系和多样性,来生成更加丰富和多元的电控数据样本。如可引入影响因子,用于调节目标数据样本/>的扩充强度,具体为:
其中,表示目标数据样本/>在原模型中的不确定性度量,/>和/>分别为影响因子的敏感度和阈值参数。示例性的,影响因子/>的敏感度/>和阈值/>分别被设置为0.1和0.5。
在确定影响因子和确定性等价样本后,即可通过调整公式,调整确定性等价样本,以得到新的电控数据样本/>。这样,便可使后续得到的目标样本集更加丰富和多元,从而提高对电控检测模型的训练效果。
在一些实施例中,为进一步提高对电控检测模型的训练效果,可在每次得到新的电控数据样本后,根据新的电控数据样本所对应的实际故障类型,以及调整函数,更新所述权重因子、所述预设特征扩展系数以及所述预设偏移量;
其中,表示参数调整函数,/>表示适应度函数的梯度,/>表示对应的实际故障类型,/>表示适应度函数。
在一些实施例中,每次在得到新的电控数据样本后,可通过适应度函数对新的电控数据样本进行适应性评估生成样本的质量和多样性,确保新样本能够有效提升模型的泛化能力和诊断精度。适应度函数考虑了样本的分布一致性、边界清晰度和类内多样性等因素,通过适应度函数评估生成样本/>的质量,并根据评估结果调整参数/>和/>,调整方式可以表示为:
示例性的,参数中的初始特征扩展系数和初始偏移量,可分别设置为1.2和0.1。
通过上述方式对当前样本集进行数据扩充,最终可得到目标样本集,其中/>表示目标样本集中的电控数据样本,/>表示电控数据样本的实际故障类型,/>为扩充后的样本数量。
在得到目标样本集后,即可将目标样本集输入电控检测模型进行训练,以得到训练好的电控检测模型。
在一些实施例中,电控检测模型可以包括特征提取子模型、特征降维子模型以及分类子模型。通过对特征提取子模型、特征降维子模型以及分类子模型进行训练,即可得到训练好的电控检测模型。其中,对于特征提取子模型的训练,包括:
多次根据所述目标样本集中的所述电控数据样本,确定所述特征提取子模型的网络参数集中各网络参数的目标适应度,每次均在选择一个所述网络参数作为所述特征提取子模型的当前网络参数后,根据所述电控数据样本输入电控检测模型后得到的预测故障类型和所述电控数据样本的实际故障类型,计算所述特征提取子模型中当前网络参数的目标适应度,以根据所述当前网络参数的目标适应度生成目标网络参数添加至所述网络参数集,直至所述目标网络参数的目标适应度达到预设值,或所述网络参数集的更新次数达到预设次数,根据所述目标网络参数,生成训练好的特征提取子模型。
在一些实施例中,特征提取子模型可包括输入层、隐藏层和输出层,其中输入层的神经元数量根据目标样本集中的样本数量确定,隐藏层可为多层隐藏层,如2层隐藏层,每个隐藏层分别设有不同数量的神经元,如2个隐藏层可分别设有50和80个神经元。输出层可设置有较多数量的神经元,如可设置有100个神经元。
在进行特征提取子模型的训练时,可先构建一个包括N个网络参数的生态***,每个网络参数可包括神经网络的权重和偏置/>。在选定一个网络参数,假设为第i个网络参数作为特征提取子模型的当前网络参数后,将电控数据样本输入电控检测模型,得到电控检测模型输出的预测故障类型/>,然后根据预测故障类型/>和电控数据样本的实际故障类型/>,通过性能评估函数/>,评估当前网络参数的性能。其中,/>表示损失函数。
然后,评估该当前网络参数的初始适应度,具体为:
其中,代表环境变量,/>代表遗传因素,/>为第i个网络参数,即当前网络参数,包括权重/>和偏置/>;/>为个体的初始适应度。/>为遗传因素函数,/>为损失函数的逆,/>为描述当前第i个网络参数与环境变量之间的动态相互作用的非线性函数。Sig()为Sigmoid激活函数,/>为权重系数,用于平衡各个因素对适应度的贡献。
进一步地,遗传因素函数考虑参数的多样性、复杂性,计算方式可以表示为:
其中,和/>是权重系数,用于调整各项的贡献;/>表示权重和偏置的方差,用于衡量参数的多样性。
环境相互作用函数用于模拟当前第i个网络参数与环境之间的相互作用,可以表示为:
其中,是权重系数,/>代表环境变量的第/>个元素,/>代表与环境变量/>相关联的输入特征,/>是双曲正切函数。
然后,根据适应度函数,即可得到当前网络参数,即第i个网络参数的适应度/>,以根据该适应度/>,确定当前网络参数,即第i个网络参数的目标适应度。如将适应度/>作为当前网络参数的目标适应度。/>表示第j个网络参数的初始适应度。
其中,为考虑生态相互作用后的适应度;/>是权重调整系数,代表不同网络参数间,即不同个体间相互作用的影响程度;/>和/>为自适应调整后的生态相互作用参数。示例性的,/>可设置为0.5。
生态相互作用强度是指生态***中两个网络参数/>和/>之间,即两个个体/>和/>之间的相互影响程度,包括竞争强度/>和共生强度/>,可以表示为:
其中,是强度调整平衡因子,用于调整竞争与共生影响的相对重要性。示例性的,/>可设置为0.6。
竞争强度可根据资源需求和重叠程度来计算,计算方式可以表示为:
其中,为网络参数/>和/>之间,即两个个体/>和/>之间的竞争强度,/>和/>分别代表网络参数/>和/>,即个体/>和/>对第/>种资源的需求,/>是资源的总类别数,指数函数/>的作用是平滑不同网络参数间,即不同个体间需求差异的影响,确保即使小的需求差异也能反映在竞争强度上。
且,共生强度反映了两个网络参数,即两个个体之间的互惠合作程度,通过其共享资源的效率来衡量,可以表示为:
其中,为网络参数/>和/>之间,即个体/>和/>之间的共生强度。
和/>的自适应调整是根据生态网络状态评估/>进行调整,即,对竞争强度/>和共生强度/>进行自适应调整,调整的方式可以表示为:
其中,和/>分别是调整竞争和共生强度的自适应函数,/>为性能反馈函数,/>代表/>的变化量,即当前评估与上一次评估之间的差异。
进一步地,性能反馈函数基于神经网络在验证集上的表现来评估当前生态网络的整体状态。在一个实施例中,性能反馈函数/>的计算方式可以表示为:
其中,是权重系数,用于平衡不同指标的贡献。
且,各组件函数分别为:
准确率函数:/>
复杂度函数:/>
多样性函数:/>
时间函数:/>
其中,为准确率,/>为平均损失值;/>为网络复杂度,在本实施例中,与参数量成正比;/>为数据多样性指数,与数据特征的方差成正比;/>为训练时间,与迭代次数成正比。
在得到当前网络参数的目标适应度后,即可根据该目标适应度,来生成目标网络参数,具体为:
其中,表示目标网络参数,/>表示当前网络参数,/>是学习率,代表了参数更新的步长;/>是指向适应度增加最大方向的梯度。示例性的,/>可被设置为0.01。
在得到目标网络参数后,即可将目标网络参数添加至网络参数集,以更新网络参数集,然后从网络参数集中选取未计算目标适应度的网络参数,更新为特征提取子模型的当前网络参数,如将目标网络参数更新为特征提取子模型的当前网络参数,然后重新执行上述操作,以此类推,直至目标网络参数的目标适应度达到预设值,或网络参数集的更新次数达到预设次数,则将该目标网络参数,作为特征提取子模型最终的网络参数,以生成训练好的特征提取子模型。
而为提高特征提取子模型的网络参数的优化效率和模型的性能,在一些实施例中,根据所述电控数据样本输入电控检测模型后得到的预测故障类型和所述电控数据样本的实际故障类型,计算所述特征提取子模型中当前网络参数的目标适应度,以根据所述当前网络参数的目标适应度生成目标网络参数添加至所述网络参数集,包括:
将所述电控数据样本的预测故障类型,和所述电控数据样本的实际故障类型,输入函数,得到所述特征提取子模型中当前第i个网络参数的初始适应度/>;
将所述初始适应度输入适应度函数/>,得到所述当前第i个网络参数的个体适应度/>;
根据函数以及函数/>,得到所述当前第i个网络参数的目标适应度;
根据函数,得到所述目标网络参数/>添加至所述网络参数集;/>
其中,,/>表示生态相互作用矩阵,元素/>表示第/>个网络参数和第/>个网络参数之间的关系类型,/>表示预设环境复杂度系数,/>表示环境变化因子,/>。
在一些实施例中,在计算当前第i个网络参数的个体适应度后,模拟自然选择过程,选择适应度较高的网络参数,即适应度较高的个体进行繁衍,同时淘汰适应度较低的个体,个体/>被选中的概率/>的计算方式可以表示为:
其中,为个体/>被选中的概率。
然后基于选中的个体进行再生与繁衍,模拟生物的遗传变异过程,适应度较高的个体通过遗传算法中的交叉和变异操作产生后代。具体的,设和/>为父代个体,其子代/>通过以下交叉公式产生:
其中,是交叉系数,决定了父代遗传信息的融合比例;/>和/>为父代个体的参数集。示例性的,/>可设置为0.7。
变异操作通过添加一个随机扰动来实现,其大小受到变异率/>的控制,可以表示为:
其中,为子代个体的参数集;/>'为变异率,控制变异操作的幅度,示例性的,变异率/>可设置为0.1。
遗传变异扰动的作用是增加种群的多样性,该扰动项的计算方式可以表示为:
其中,为变异操作中的随机扰动,/>是扰动幅度控制系数,/>是一个与/>维度相同的随机向量,其元素从均匀分布/>中抽取。示例性的,/>可设置为0.05,以控制变异的幅度。
完成再生和繁衍后,模拟个体间的生态相互作用,如竞争和共生关系,这些相互作用影响个体的适应度和生存能力。具体的,可设置生态相互作用矩阵,其中元素/>表示个体/>和/>之间的关系类型,该关系类型会影响个体的适应度更新,可以表示为:
其中,为考虑生态相互作用后的适应度更新函数。
然后,模拟环境变化对生态***的影响,如资源的变化、新的适应性挑战等,迫使个体适应新环境,导致生态***内参数的进一步优化。具体的,环境变化通过修改环境复杂度系数来模拟,从而影响个体的适应度计算,环境压力导致的适应度调整可以表示为:/>
其中,为最终调整后的适应度,/>为环境复杂度系数由人为预设;/>是环境变化因子,其描述了从上一代到当前代环境变化的程度,计算方式可以表示为:
其中,是个体/>在当前环境下的适应度,即当前第i个网络参数的目标适应度,/>是在上一代环境下的适应度,/>为环境变化因子。
在得到第i个网络参数的目标适应度后,即可根据生态***中个体的适应度和生态动态,更新神经网络的参数。具体的,基于生态相互作用和环境压力调整后的适应度,更新网络参数,可以表示为:/>。
在一些实施例中,在完成特征提取子模型的训练后,即可将目标样本集中的各电控数据样本,输入训练好的特征提取子模型,得到各电控数据样本的特征数据,然后将各电控数据样本的特征数据依次输入特征降维子模型的编码器,每次输入均在获取编码器输出的压缩数据后,将压缩数据输入解码器,得到重构数据,并根据特征数据与重构数据的匹配结果,采用梯度下降法,通过误差反向传播调整所述编码器和解码器的网络参数,再进行下一次训练,直至训练次数达到预设次数;
其中,在每次训练中,当编码器的损失降至预设阈值时,暂停编码器的参数调整;当解码器的损失值降至预设阈值时,暂停解码器的参数调整。
在一些实施例中,在进行特征降维子模型的训练之前,可先设定特征降维子模型的初始结构,包括编码器与解码器的神经网络层次与神经元数量。初始权重采用小随机值,偏置项设置为较小的常数。具体的,设编码器的权重矩阵为,偏置向量为/>,解码器的权重矩阵为/>,偏置向量为/>,则初始化过程可以表示为:
其中,表示均值为0,方差为/>的正态分布,/>是一个较小的常数。
然后,将电控数据样本的特征数据输入至编码器,通过激活函数与网络层的加权求和,得到压缩数据,压缩数据再输入解码器,通过前向传播的方式进行重构,输出重构数据。设输入向量为,编码过程可以表示为:
解码过程表示为:
其中,是ReLU激活函数。/>表示压缩数据,/>表示重构数据。
然后,采用信息熵损失函数结合传统均方误差损失函数,计算重构数据与特征数据之间的差异性,损失函数的计算不仅基于重构误差,同时考虑数据的信息熵,以优化特征的表达能力,损失函数的计算方式可以表示为:
其中,均方误差损失函数的计算方式可以表示为:
且,信息熵损失的计算方式可以表示为:
,/>和/>是用于平衡两部分损失的系数,可为预设值。示例性的,损失函数中的平衡系数/>和/>可分别被设置为0.7和0.3。
然后,通过反向传播算法计算损失函数关于每个参数的梯度,并采用自适应学习率的Adam优化算法更新网络参数。在此过程中,自适应调整机制根据信息熵的变化动态调整网络结构,参数更新使用梯度下降法,每个权重的更新可以表示为:
其中,''是学习率,梯度/>,/>,/>,/>通过链式法则计算。在一个实施例中,学习率/>''初始设置为0.01,并采用学习率衰减策略,在每次迭代后乘以0.95作为逐步减少学习率的方法。
以梯度的计算为例,其可以通过链式法则进一步展开为:
其中,表示损失函数对重构输入的偏导,/>表示重构输入对编码特征的偏导,表示编码特征对权重的偏导。
进一步地,设定一个信息熵阈值,若/>,则调整/>和/>的维度,即增加或减少神经元数量,具体调整方式依据信息熵的变化进行。
在一些实施例中,根据信息熵的变化动态调整网络结构的方式可通过定义一个调整函数来实现,具体的,设/>,调整函数/>可以定义为:
其中,是调整灵敏度系数,/>是信息熵阈值。当/>低于/>时,/>的值将指导网络增加更多神经元或连接,反之则减少。示例性的,信息熵阈值/>设置为0.5。/>
编码器与解码器的参数更新可采用异步的方式进行更新。示例性的,当编码器的损失降至预设阈值时,暂停编码器的更新,继续优化解码器,直至解码器损失稳定,如解码器的损失值降至预设阈值。然后再次同步更新,以此循环,直到整个网络达到稳定状态。具体的,设定更新周期和/>分别为编码器和解码器的更新周期,若当前迭代次数/>满足且/>,则更新编码器参数;若/>,则更新解码器参数。
在每个训练周期结束后,可使用验证数据评估模型性能。根据评估结果调整网络参数与结构,如调整编码层的神经元数量,优化连接权重等。具体的,设验证损失为,根据/>的变化调整学习率/>和信息熵阈值/>。
当连续多个训练周期内,模型在验证集上的性能提升不再显著,或达到预设的最大训练周期数时,训练过程终止。具体的,设定最大迭代次数和容忍度/>,若或/>,则停止训练,得到训练好的特征降维子模型。这样,便可使训练好的特征降维子模型具有更优的数据压缩与特征提炼效果,减少数据的维度和复杂性,同时保留尽可能多的有用信息,从而能够进一步提高电控检测模型的检测效果,进而进一步提高电控检测模型对电控数据所对应的故障类型的识别准确率。
在一些实施例中,在完成特征降维子模型的训练后,可将各所述电控数据样本的特征数据输入训练好的特征降维子模型,得到各所述电控数据样本的目标特征。然后,将各所述目标特征依次输入所述分类子模型,通过超限学习机算法训练所述分类子模型,并在任一次通过超限学习机算法训练的所述分类子模型的预测准确率未达到预设值时,对分类子模型的网络参数进行重置,以重新训练所述分类子模型,直至每次输入的所述电控数据样本的目标特征得到的预测故障类型,与本次输入的电控数据样本对应的实际故障类型相匹配,得到训练好的所述分类子模型。
在一些实施例中,可采用基于可靠性评估的超限学习机算法作为分类算法,来对分类子模型进行训练,以提高分类子模型对故障分类的准确性和效率。其中,超限学习机主要用于快速训练单隐藏层的前馈神经网络。隐藏层节点的权重和偏差在训练开始时随机初始化,并在训练过程中保持不变,训练主要集中在输出层的线性权重上。在超限学习机训练过程中,若对分类子模型的模型性能评估未达到预设值,则表示分类子模型的性能改善不显著,此时则随机重置分类子模型的隐藏层的部分权重和偏差。同时,在每次重置过程中,还可引入可靠性评估机制,以衡量当前分类子模型的预测可靠性。
示例性的,在进行分类子模型的训练之前,可先对分类子模型进行初始化。如定义为隐藏层节点的数量,/>为隐藏层权重,/>为隐藏层偏差;/>表示生成范围在-1到1之间、数量为N的随机数;/>为超限学***衡系数,用于权衡准确率和稳定性的比重;/>为模型在验证集上的准确率;/>为模型性能的稳定性指标。
在完成分类子模型的初始化后,随机初始化超限学习机的隐藏层权重和偏差,同时,设定重启策略的参数,如重启频率和重置比例。示例性的,设定隐藏层节点数为,隐藏层权重/>和偏差/>的初始化公式为:
其中,表示生成/>个介于-1和1之间的随机数。
然后,使用各电控数据样本的目标特征训练分类子模型,计算输出层权重,最小化预测误差。示例性的,分类子模型的输出权重计算为:
其中,表示隐藏层输出矩阵/>的Moore-Penrose伪逆。/>为电控数据样本的目标输出,即实际故障类型。/>的计算方式为/>,其中/>为激活函数,/>为输入数据。
然后,将原始的输入数据通过特征重要性得分进行加权处理,得到加权后的输入数据/>可以表示为:
其中,表示逐元素相乘,即每个特征值乘以其对应的重要性得分。
再次使用加权后的输入数据进行分类子模型的训练,输出层权重的计算调整为:
其中,为使用加权输入数据/>的隐藏层输出矩阵。
然后,进行特征重要性的动态更新,在每次迭代训练后,根据新的模型性能对特征重要性进行更新,可以表示为:
其中,是平滑参数,用于平衡旧的重要性得分和新计算得分之间的影响。为当前迭代的性能。
然后,评估分类子模型得到性能,如果性能提升不显著,则根据重启策略重置部分隐藏层权重和偏差。具体的,设定性能提升阈值为'',当前迭代次数为/>,若性能提升小于'',执行重启操作,可以表示为:
若,则重启。
进一步地,进行特征重要性评估,设定一个特征重要性评估函数,用于计算每个输入的目标特征/>的重要性得分,可以表示为:
其中,表示分类子模型的预测准确率对第/>个特征的偏导数,反映该特征变化对模型性能的影响程度。
在每次重启后,重新评估分类子模型的可靠性。示例性的,调整重启策略的参数,如降低可靠性高的模型的重启频率。具体的,在重启策略中,随机选择比例的权重和偏差进行重置:
重复训练-评估-重启流程,直至分类子模型的性能稳定,以得到训练好的分类子模型。如可靠性根据模型的预测准确率和稳定性计算,可以表示为:
其中,为平衡系数,控制准确率和稳定性的权重。/>为模型在验证集上的准确率。/>为模型在连续迭代中性能的稳定性指标。
具体表现可确定为,直至每次输入的所述电控数据样本的目标特征得到的预测故障类型,与本次输入的电控数据样本对应的实际故障类型相匹配,则表示分类子模型完成训练。
在一些实施例中,如图2所示,还提供一种电控***检测方法,包括:
步骤201,获取待检测的电控数据;
步骤202,将所述电控数据输入训练好的电控检测模型中,得到所述电控数据的实际故障类型;
其中,所述电控检测模型由上述任一实施例中的电控检测模型训练方法训练得到。
其中,待检测的电控数据可以指待确定故障类型的电控数据,具体可以是电控***的传感器的读数,或电控***的***日志中记录的电控***在运行过程中的事件。
在完成特征提取子模型、特征降维子模型以及分类子模型的训练后,即可将获取到待检测的电控数据,输入训练好的电控检测模型中,以通过该电控检测模型,输出该电控数据的预测故障类型,从而实现对电控***的故障检测。
下面对本申请提供的电控检测模型训练装置进行描述,下文描述的电控检测模型训练装置与上文描述的电控检测模型训练方法可相互对应参照。
在一实施例中,如图3所示,提供了一种电控检测模型训练装置,包括:
动态领域确定模块210,用于根据当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,确定任一所述电控数据样本的当前动态邻域;
数据样本扩容模块220,用于多次根据各所述电控数据样本中的目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,添加至所述当前样本集,以基于更新后的当前样本集,更新各所述电控数据样本的当前动态邻域,直至所述当前样本集的迭代次数达到预设次数,得到目标样本集;
检测模型训练模块230,用于根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型;
其中,所述目标数据样本所属的实际故障类型对应的电控数据样本数量小于预设值。
通过当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,确定任一电控数据样本的当前动态邻域,并多次根据各电控数据样本中的目标数据样本,与目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,添加至当前样本集,以基于更新后的当前样本集,更新各电控数据样本的当前动态邻域,直至当前样本集的迭代次数达到预设次数,得到目标样本集后,再利用目标样本集中的各电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型,从而能够对故障类型较少的数据样本进行扩充,以生成更具代表性和多样性的电控数据样本来对模型进行训练,从而有效地解决了训练样本不足和数据不平衡的问题,提高电控检测模型的训练效果,进而提高电控检测模型对电控数据所对应的实际故障类型的识别准确率。
在一实施例中,数据样本扩容模块220具体用于:
将所述目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,输入合成参数,生成确定性等价样本/>;
根据调整公式,调整所述确定性等价样本,得到生成新的电控数据样本;
其中,表示目标数据样本/>,与所述目标数据样本/>的当前动态领域中的各电控数据样本/>之间的差异函数,/>表示权重因子,/>表示预设近邻数量,/>表示新的电控数据样本,/>表示特征调整函数,/>包括预设特征扩展系数和预设偏移量,/>表示目标数据样本的预设影响因子。
在一实施例中,数据样本扩容模块220还用于:
在每次得到新的电控数据样本后,根据新的电控数据样本所对应的实际故障类型,以及调整函数,更新所述权重因子、所述预设特征扩展系数以及所述预设偏移量;
其中,表示参数调整函数,/>表示适应度函数的梯度,/>表示对应的实际故障类型,/>表示适应度函数。
在一实施例中,所述电控检测模型包括特征提取子模型;
检测模型训练模块230具体用于:
多次根据所述目标样本集中的所述电控数据样本,确定所述特征提取子模型的网络参数集中各网络参数的目标适应度,每次均在选择一个所述网络参数作为所述特征提取子模型的当前网络参数后,根据所述电控数据样本输入电控检测模型后得到的预测故障类型和所述电控数据样本的实际故障类型,计算所述特征提取子模型中当前网络参数的目标适应度,以根据所述当前网络参数的目标适应度生成目标网络参数添加至所述网络参数集,直至所述目标网络参数的目标适应度达到预设值,或所述网络参数集的更新次数达到预设次数,根据所述目标网络参数,生成训练好的特征提取子模型。
在一实施例中,检测模型训练模块230具体用于:
将所述电控数据样本的预测故障类型,和所述电控数据样本的实际故障类型,输入非线性函数,得到所述特征提取子模型中当前第i个网络参数的初始适应度/>;
将所述初始适应度输入适应度函数/>,得到所述当前第i个网络参数的个体适应度/>;
根据函数以及函数/>,得到所述当前第i个网络参数的目标适应度;
根据函数,得到所述目标网络参数/>添加至所述网络参数集;
其中:
,/>和/>表示第i个网络参数中的权重和偏置,/>为遗传因素函数,/>为根据所述预测故障类型和所述实际故障类型确定的损失函数的逆,/>为描述当前第i个网络参数与环境变量之间的动态相互作用的非线性函数,Sig()为Sigmoid激活函数,/>为预设权重系数;
,/>和/>表示预设权重系数,表示所述权重和所述偏置的方差;
,/>'表示预设权重系数,/>代表环境变量的第/>个元素,/>表示与环境变量/>相关联的输入特征,/>表示双曲正切函数;
,/>代表损失函数,/>表示所述实际故障类型,/>是所述预测故障类型,由预设的Softmax函数得到;
表示权重调整系数,代表网络参数间相互作用的影响程度,/>表示当前第/>个网络参数和网络参数集中第/>个网络参数之间的相互作用强度,/>表示当前第/>个网络参数和网络参数集中第/>个网络参数之间的竞争强度,/>,/>,,/>和/>分别代表第/>个网络参数和第/>个网络参数对第/>种资源的需求,/>表示资源的总类别数,/>,/>,'和/>分别表示调整竞争和共生强度的自适应函数,/>表示性能反馈函数,/>表示/>的变化量;
表示生态相互作用矩阵,元素/>表示第/>个网络参数和第/>个网络参数之间的关系类型,/>表示预设环境复杂度系数,/>表示环境变化因子,/>;
,/>表示预设步长,/>表示指向适应度增加最大方向的梯度。
在一实施例中,所述电控检测模型包括特征降维子模型;
检测模型训练模块230具体用于:
将各所述电控数据样本输入训练好的特征提取子模型,得到各所述电控数据样本的特征数据;
将各所述特征数据依次输入所述特征降维子模型的编码器,每次输入均在获取编码器输出的压缩数据后,将所述压缩数据输入解码器,得到重构数据,并根据所述特征数据与所述重构数据的匹配结果,采用梯度下降法,通过误差反向传播调整所述编码器和所述解码器的网络参数,再进行下一次训练,直至训练次数达到预设次数;
其中,在每次训练中,当所述编码器的损失降至预设阈值时,暂停所述编码器的参数调整;当所述解码器的损失值降至预设阈值时,暂停所述解码器的参数调整。
在一实施例中,所述电控检测模型包括分类子模型;
检测模型训练模块230具体用于:
将各所述电控数据样本的特征数据输入训练好的特征降维子模型,得到各所述电控数据样本的目标特征;
将各所述目标特征依次输入所述分类子模型,通过超限学习机算法训练所述分类子模型,并在任一次通过超限学习机算法训练的所述分类子模型的预测准确率未达到预设值时,对分类子模型的网络参数进行重置,以重新训练所述分类子模型,直至每次输入的所述电控数据样本的目标特征得到的预测故障类型,与本次输入的电控数据样本对应的实际故障类型相匹配,得到训练好的所述分类子模型。
在一实施例中,如图4所示,提供了一种电控***检测装置,包括:
电控数据获取模块310,用于获取待检测的电控数据;
电控***检测模块320,用于将所述电控数据输入训练好的电控检测模型中,得到所述电控数据的实际故障类型;
其中,所述电控检测模型由上述任一实施例中的电控检测模型训练方法训练得到。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)810、通信接口(Communication Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的计算机程序,以执行上述任一实施例所述的电控检测模型训练方法,或上述任一实施例所述的电控***检测方法。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请实施例还提供一种存储介质,存储介质包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,计算机程序被处理器执行时,计算机能够执行上述各实施例所提供的电控检测模型训练方法,或上述各实施例所提供的电控***检测方法。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种电控检测模型训练方法,其特征在于,包括:
根据当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,确定任一所述电控数据样本的当前动态邻域;
多次根据各所述电控数据样本中的目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,添加至所述当前样本集,以基于更新后的当前样本集,更新各所述电控数据样本的当前动态邻域,直至所述当前样本集的迭代次数达到预设次数,得到目标样本集;
根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型;
其中,所述目标数据样本所属的实际故障类型对应的电控数据样本数量小于预设值。
2.根据权利要求1所述的电控检测模型训练方法,其特征在于,根据各所述电控数据样本中的目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,包括:
将所述目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,输入合成参数,生成确定性等价样本/>;
根据调整公式,调整所述确定性等价样本,得到生成新的电控数据样本;
其中,表示目标数据样本/>,与所述目标数据样本/>的当前动态领域中的各电控数据样本/>之间的差异函数,/>表示权重因子,/>表示预设近邻数量,/>表示新的电控数据样本,/>表示特征调整函数,/>包括预设特征扩展系数和预设偏移量,/>表示目标数据样本的预设影响因子。
3.根据权利要求2所述的电控检测模型训练方法,其特征在于,还包括:
在每次得到新的电控数据样本后,根据新的电控数据样本所对应的实际故障类型,以及调整函数,更新所述权重因子、所述预设特征扩展系数以及所述预设偏移量;
其中,表示参数调整函数,/>表示适应度函数的梯度,/>表示对应的实际故障类型,/>表示适应度函数。
4.根据权利要求1所述的电控检测模型训练方法,其特征在于,所述电控检测模型包括特征提取子模型;
根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型,包括:
多次根据所述目标样本集中的所述电控数据样本,确定所述特征提取子模型的网络参数集中各网络参数的目标适应度,每次均在选择一个所述网络参数作为所述特征提取子模型的当前网络参数后,根据所述电控数据样本输入电控检测模型后得到的预测故障类型和所述电控数据样本的实际故障类型,计算所述特征提取子模型中当前网络参数的目标适应度,以根据所述当前网络参数的目标适应度生成目标网络参数添加至所述网络参数集,直至所述目标网络参数的目标适应度达到预设值,或所述网络参数集的更新次数达到预设次数,根据所述目标网络参数,生成训练好的特征提取子模型。
5.根据权利要求4所述的电控检测模型训练方法,其特征在于,根据所述电控数据样本输入电控检测模型后得到的预测故障类型和所述电控数据样本的实际故障类型,计算所述特征提取子模型中当前网络参数的目标适应度,以根据所述当前网络参数的目标适应度生成目标网络参数添加至所述网络参数集,包括:
将所述电控数据样本的预测故障类型,和所述电控数据样本的实际故障类型,输入非线性函数,得到所述特征提取子模型中当前第i个网络参数的初始适应度/>;
将所述初始适应度输入适应度函数/>,得到所述当前第i个网络参数的个体适应度/>;
根据函数以及函数/>,得到所述当前第i个网络参数的目标适应度;
根据函数,得到所述目标网络参数/>添加至所述网络参数集;
其中:
,/>和/>表示第i个网络参数中的权重和偏置,/>为遗传因素函数,/>为根据所述预测故障类型和所述实际故障类型确定的损失函数的逆,/>为描述当前第i个网络参数与环境变量之间的动态相互作用的非线性函数,Sig()为Sigmoid激活函数,/>为预设权重系数;
,/>和/>表示预设权重系数,/>表示所述权重和所述偏置的方差;
,/>表示预设权重系数,/>代表环境变量的第/>个元素,/>表示与环境变量/>相关联的输入特征,/>表示双曲正切函数;
,/>代表损失函数,/>表示所述实际故障类型,/>是所述预测故障类型,由预设的Softmax函数得到;
表示权重调整系数,代表网络参数间相互作用的影响程度,/>表示当前第/>个网络参数和网络参数集中第/>个网络参数之间的相互作用强度,/>表示当前第/>个网络参数和网络参数集中第/>个网络参数之间的竞争强度,/>,/>,,/>和/>分别代表第/>个网络参数和第/>个网络参数对第/>种资源的需求,/>表示资源的总类别数,/>,/>,/>'和/>分别表示调整竞争和共生强度的自适应函数,/>表示性能反馈函数,/>表示/>的变化量;
表示生态相互作用矩阵,元素/>表示第/>个网络参数和第/>个网络参数之间的关系类型,/>表示预设环境复杂度系数,/>表示环境变化因子,/>;
,/>表示预设步长,/>表示指向适应度增加最大方向的梯度。
6.根据权利要求4或5所述的电控检测模型训练方法,其特征在于,所述电控检测模型包括特征降维子模型;
根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型,包括:
将各所述电控数据样本输入训练好的特征提取子模型,得到各所述电控数据样本的特征数据;
将各所述特征数据依次输入所述特征降维子模型的编码器,每次输入均在获取编码器输出的压缩数据后,将所述压缩数据输入解码器,得到重构数据,并根据所述特征数据与所述重构数据的匹配结果,采用梯度下降法,通过误差反向传播调整所述编码器和所述解码器的网络参数,再进行下一次训练,直至训练次数达到预设次数;
其中,在每次训练中,当所述编码器的损失降至预设阈值时,暂停所述编码器的参数调整;当所述解码器的损失值降至预设阈值时,暂停所述解码器的参数调整。
7.根据权利要求6所述的电控检测模型训练方法,其特征在于,所述电控检测模型包括分类子模型;
根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型,包括:
将各所述电控数据样本的特征数据输入训练好的特征降维子模型,得到各所述电控数据样本的目标特征;
将各所述目标特征依次输入所述分类子模型,通过超限学习机算法训练所述分类子模型,并在任一次通过超限学习机算法训练的所述分类子模型的预测准确率未达到预设值时,对分类子模型的网络参数进行重置,以重新训练所述分类子模型,直至每次输入的所述电控数据样本的目标特征得到的预测故障类型,与本次输入的电控数据样本对应的实际故障类型相匹配,得到训练好的所述分类子模型。
8.一种电控***检测方法,其特征在于,包括:
获取待检测的电控数据;
将所述电控数据输入训练好的电控检测模型中,得到所述电控数据的实际故障类型;
其中,所述电控检测模型由权利要求1-7任一项所述的电控检测模型训练方法训练得到。
9.一种电控检测模型训练装置,其特征在于,包括:
动态领域确定模块,用于根据当前样本集中各电控数据样本之间的特征向量距离,以及预设近邻数量,确定任一所述电控数据样本的当前动态邻域;
数据样本扩容模块,用于多次根据各所述电控数据样本中的目标数据样本,与所述目标数据样本的当前动态领域中的各电控数据样本,生成新的电控数据样本,添加至所述当前样本集,以基于更新后的当前样本集,更新各所述电控数据样本的当前动态邻域,直至所述当前样本集的迭代次数达到预设次数,得到目标样本集;
检测模型训练模块,用于根据所述目标样本集中的各所述电控数据样本,对电控检测模型进行训练,得到训练好的电控检测模型;
其中,所述目标数据样本所属的实际故障类型对应的电控数据样本数量小于预设值。
10.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的电控检测模型训练方法,或权利要求8所述的电控***检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410489966.XA CN118092403A (zh) | 2024-04-23 | 2024-04-23 | 电控检测模型训练方法、电控***检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410489966.XA CN118092403A (zh) | 2024-04-23 | 2024-04-23 | 电控检测模型训练方法、电控***检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118092403A true CN118092403A (zh) | 2024-05-28 |
Family
ID=91152086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410489966.XA Pending CN118092403A (zh) | 2024-04-23 | 2024-04-23 | 电控检测模型训练方法、电控***检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118092403A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766042A (zh) * | 2019-09-09 | 2020-02-07 | 河南师范大学 | 一种基于最大相关最小冗余的多标记特征选择方法及装置 |
CN112612260A (zh) * | 2020-12-18 | 2021-04-06 | 安阳师范学院 | 一种基于动态估计的深度自编码网络过程监控方法 |
CN115423000A (zh) * | 2022-08-19 | 2022-12-02 | 复旦大学 | 一种基于多教师知识蒸馏的跨域小样本识别方法 |
JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
CN116612347A (zh) * | 2023-04-28 | 2023-08-18 | 深圳市即构科技有限公司 | 基于考场违规的深度学习模型训练方法 |
-
2024
- 2024-04-23 CN CN202410489966.XA patent/CN118092403A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766042A (zh) * | 2019-09-09 | 2020-02-07 | 河南师范大学 | 一种基于最大相关最小冗余的多标记特征选择方法及装置 |
CN112612260A (zh) * | 2020-12-18 | 2021-04-06 | 安阳师范学院 | 一种基于动态估计的深度自编码网络过程监控方法 |
JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
CN115423000A (zh) * | 2022-08-19 | 2022-12-02 | 复旦大学 | 一种基于多教师知识蒸馏的跨域小样本识别方法 |
CN116612347A (zh) * | 2023-04-28 | 2023-08-18 | 深圳市即构科技有限公司 | 基于考场违规的深度学习模型训练方法 |
Non-Patent Citations (1)
Title |
---|
曾现峰;张勇;: "基于动态邻域和自适应惯性权重的微粒群算法", 计算机工程与设计, no. 05, 16 May 2013 (2013-05-16) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191841B (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
US20210334658A1 (en) | Method for performing clustering on power system operation modes based on sparse autoencoder | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN112365033B (zh) | 一种风电功率区间预测方法、***及存储介质 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
CN113328908B (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
CN113409166A (zh) | 基于XGBoost模型的用户异常用电行为检测方法及装置 | |
CN117668622B (zh) | 设备故障诊断模型的训练方法、故障诊断方法及装置 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
Cheraghi et al. | An adaptive artificial neural network for reliability analyses of complex engineering systems | |
CN113537539B (zh) | 一种基于注意力机制的多时间步供热用气量预测模型 | |
CN113626177A (zh) | 基于lstm的cpu资源负载情况预测方法 | |
CN118092403A (zh) | 电控检测模型训练方法、电控***检测方法及装置 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
KR102624710B1 (ko) | Gru 기반 구조물 시계열 응답 예측 방법 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及*** | |
KR102515608B1 (ko) | 태양광 발전량 예측 방법 및 시스템 | |
CN115392594A (zh) | 一种基于神经网络和特征筛选的用电负荷模型训练方法 | |
CN115689358A (zh) | 一种基于数据降维的配电网状态估计方法及相关装置 | |
CN115330072A (zh) | 基于CNN网络和AdaRNN模型的电力负荷预测方法 | |
CN115049458A (zh) | 基于用户人群建模的商品推送方法及装置、介质、设备 | |
CN113420492A (zh) | 一种基于gan与gru神经网络的风光火耦合***频率响应模型建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |