[发明专利]一种装备性能分析与预测的自学习方法

说明书

本发明提供了一种装备性能分析与预测的自学习方法，包括以下步骤：S1、数据读取模块，获取历史设备数据集和目标设备数据集；S2、构建自学习模块，基于深度学习或传统的机器学习算法，搭建一个装备性能分析与预测的自学习模型，该模型从历史设备数据中学习知识和技能，迁移应用到目标设备中；S3、构建性能预测模块，根据已训练好的自学习模块对目标设备进行性能分析与预测。本发明所述的一种装备性能分析与预测的自学习方法能够从历史任务中学习知识，迁移应用到新任务中，在目标设备缺少性能数据标签的情况下，也可以在较短时间内对其性能做出高精度的预测，为装备的智能设计与优化提供了新的思路和实践办法。

技术领域

本发明属于装备性能预测技术领域，尤其是涉及一种装备性能分析与预测的自学习方法。

背景技术

近年来智能制造已席卷工业、能源、电力等行业，日益成为未来制造业发展的重大趋势和核心内容；电工装备、机械装备等装备行业作为制造业的重点领域，目前也正在向着大数据进发，尤其装备性能的分析与优化一直是国内外研究的热点。研究者们将BP(BackPropagation)神经网络、决策树(Decision Tree,DT)和支持向量机(Support VectorMachine,SVM)等传统机器学习方法应用到装备性能分析与优化中，在一定程度上实现了对目标装备性能的优化分析，但在进行性能预测时大多都是基于同分布假设，且需要大量标注数据，有些情况下，数据标注成本较高或很难实现；此外在实际中，对于不同结构的某种装备，较易获得的数据是历史装备积累的设计参数及标签数据(通过数值模拟或实验得到的性能数据)和目标装备的设计参数，使用历史装备数据，由于数据分布的差异导致模型预测效果比较差，对新数据集进行标注，存在计算耗时长和所需计算资源多等问题。

发明内容

有鉴于此，本发明旨在提出一种装备性能分析与预测的自学习方法，以解决了传统机器学习算法在目标设备没有性能数据标签时不能很好的训练模型的问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种装备性能分析与预测的自学习方法，包括以下步骤：

S1、数据读取模块，获取历史设备数据集和目标设备数据集；

S2、构建自学习模块，搭建装备性能分析与预测的自学习模型，该模型从历史设备数据中学习知识和技能，迁移应用到目标设备中；

S3、构建性能预测模块，根据已训练好的自学习模块对目标设备进行性能分析与预测。

进一步的，步骤S2中，自学习模型的实现方法包括:

基于特征迁移的装备自学习方法，通过空间映射，将历史设备和目标设备的数据特征提取到特征空间中，以达到设计参数特征层面的对齐，进而实现数据知识在不同设备上的迁移应用。

进一步的，基于特征迁移的装备自学习方法具体执行步骤为：

A1、输入向量x＝x_h+x_t，其中x_h代表历史装备设计参数向量，x_t代表目标装备设计参数向量；

A2、将向量x_h和x_t映射到特征空间中，实现不同装备数据在特征层面的自适应，经参数提取网络f＝G_f(x；θ_f)生成具有相同分布的N维参数特征向量，其过程表示为：G_f(x；W,b)＝sigmoid(Wx+b)，式中sigmoid为参数提取网络的激活函数，W和b为当前层的权重和偏置；