[发明专利]诊断模型的自动优化方法及自动优化系统

说明书

本发明提供诊断模型的自动优化方法及自动优化系统。自动优化方法包括：取得设备参数；选定目标模型；选择超参数并转换为基因序列，随机生成多个待优化基因序列并加入基因序列集；执行基因演化流程，以产生多个子代基因序列；对该多个子代基因序列执行区域搜寻流程以产生多个新子代基因序列并加入基因序列集。满足演化完成条件时，将基因序列集作为最优基因序列集以配置目标模型并生成多个候选诊断模型。本发明所提供的诊断模型的自动优化系统及自动优化方法采用基因演化流程并搭配区域搜寻机制，可以自动化训练人工智能模型，不需花费大量人力及成本来针对所有超参数的所有可能组合进行测试及验证，在资源有限的情况下取得最优超参数组合。

技术领域

本发明涉及一种优化方法及优化系统，特别是涉及一种诊断模型的自动优化方法及自动优化系统。

背景技术

随着机器学习技术的发展，有越来越多类型的产业开始应用机器学习技术来取代人工，藉以加快工作进度并且节省人力成本。在建立应用人工智能的诊断模型时，若要针对诸如压铸机的制造设备进行诊断，可使用振动讯号来诊断压铸机的健康状态。

然而，建置诊断模型所需的数据前处理须通过具备高度专业经验的设备技师与数据工程师互相合作方能达成，不仅费时，更需耗费额外的人力资源来针对诊断模型中的各种超参数进行调整。

再者，由于超参数的调整将需要大量运算资源，且现有的用于机台健康状况的诊断模型并无同步评估运算成本的功能，而难以在资源有限的情况下，在建置诊断模型前预先进行成本评估。

发明内容

本发明所要解决的技术问题在于，针对现有技术的不足提供一种可降低调参成本的诊断模型的自动优化方法及自动优化系统。

为了解决上述的技术问题，本发明所采用的其中一技术方案是提供一种诊断模型的自动优化方法，其包括：取得一目标设备的多个设备参数；从多个候选模型中选定将用于诊断该目标设备的运作状态的一目标模型，其中，该目标模型具有多个超参数；从该多个超参数中选择至少一超参数并转换为一基因序列；依据该至少一超参数及该基因序列，随机生成多个待优化基因序列并加入一基因序列集；执行一基因演化流程，以该基因序列集配置该目标模型并进行训练，依据训练结果择优交配以得到多个子代基因序列；针对该多个子代基因序列中的每一个，执行一区域搜寻流程以找出多个邻近解，并配置该目标模型以生成多个待搜寻模型并进行训练，并择优得到一新子代基因序列；将对该多个子代基因序列执行该区域搜寻流程后分别产生的多个该新子代基因序列加入该基因序列集；对该基因序列集进行筛选以留下具有较高准确率的多个筛选后基因序列；判断该基因序列集是否满足一演化完成条件，并将满足该演化完成条件的该基因序列集作为一最优基因序列集；以及以该最优基因序列集配置该目标模型以生成多个候选诊断模型。

优选地，该基因演化流程包括：以该基因序列集配置该目标模型以分别生成多个待训练模型；以该多个设备参数训练该多个待训练模型，并评估满足一训练完成条件时的多个第一准确率；以及将具有较高的该多个第一准确率的部分该基因序列集以一预定突变率进行交配，以产生该些子代基因序列。

优选地，该区域搜寻流程包括：依据一当前子代基因序列的该至少一超参数的一当前解生成该些邻近解；以该多个邻近解取代该当前子代基因序列中的该当前解，以生成一当前基因序列集，其中，该当前基因序列集包括对应于该当前解及该多个邻近解的多个待搜寻基因序列；以该当前基因序列集配置该目标模型以分别生成多个待搜寻模型；以该多个设备参数训练该多个待搜寻模型，并评估满足该训练完成条件时的多个第二准确率；以及以具有最高的该第二准确率的该待搜寻基因序列作为该新子代基因序列。

优选地，将该至少一超参数转换为该基因序列的步骤包括：判断该至少一超参数为数值型参数或类别型参数；响应于判断该至少一超参数为数值型参数，将该至少一超参数的数值进行进位制编码以作为该基因序列对应于该至少一超参数的一部分；以及响应于判断该至少一超参数为类别型参数，依据该至少一超参数的类别数量进行类别编码以作为该基因序列对应于该至少一超参数的一部分。