[发明专利]一种基于组合的机器学习特征自动生成方法

说明书

本发明涉及MLops技术领域，尤其为一种基于组合的机器学习特征自动生成方法，包括：MLops框架，所述MLops框架包括多个连接单元；面向故障智能诊断的数据采样技术，所述面向故障智能诊断的数据采样技术的输入端与所述MLops框架的输出端电性连接；自动采样引擎包括多个训练集，实现对工作流的调用，通过设置的建模运行参数视图模块能够找到具体故障内在的发生机理，再通过深度强化学习模块实现不必尝试所有组合即可得出最大概率最优的模型，此过程人工参与程度少，可用机器完成持续故障机理探索，逐步积累故障判断模型，实现算法自动探索、模型自动迭代。

技术领域

本发明涉及MLops技术领域，具体为一种基于组合的机器学习特征自动生成方法。

背景技术

MLOps是Machine Learning Operations的缩写，也称为ModelOps，MLOps是一门工程学科，旨在统一ML系统开发(dev)和ML系统部署(ops)，以标准化过程生产高性能模型的持续交付，当下单纯以AutoML为主的MLops流程无法解决在故障诊断领域中需要的数据自动维护、算法自动探索、模型自动迭代等问题。

发明内容

本发明的目的在于提供一种基于组合的机器学习特征自动生成方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：包括：

MLops框架，所述MLops框架包括多个连接单元；

面向故障智能诊断的数据采样技术，所述面向故障智能诊断的数据采样技术的输入端与所述MLops框架的输出端电性连接；

AutoFE+AutoML自动建模技术，所述AutoFE+AutoML自动建模技术的输入端与所述MLops框架的输出端电性连接；

基于增量学习的模型集成技术，所述基于增量学习的模型集成技术的输入端与所述MLops框架的输出端电性连接；

流量治理的模型灰度发布模块，所述流量治理的模型灰度发布模块的输入端与所述MLops框架的输出端电性连接。

作为本发明优选的方案，所述面向故障智能诊断的数据采样技术包括：

上采样模块，所述上采样模块的输入端与所述面向故障智能诊断的数据采样技术的输入端电性连接；

基于迁移学习的故障数据生成模块，所述基于迁移学习的故障数据生成模块的输入端与所述面向故障智能诊断的数据采样技术的输入端电性连接；

增强学习的样本生成模块，所述增强学习的样本生成模块的输入端与所述面向故障智能诊断的数据采样技术的输入端电性连接；

下采样模块，所述下采样模块的输入端与所述面向故障智能诊断的数据采样技术的输入端电性连接；

湖仓一体技术模块，所述上采样模块、基于迁移学习的故障数据生成模块、增强学习的样本生成模块和下采样模块的输出端均与所述湖仓一体技术模块的输入端电性连接，在湖仓一体技术模块技术的支撑下，此处可以仅保存数据生成逻辑，不另行存储数据，节约存储空间。

作为本发明优选的方案，所述面向故障智能诊断的数据采样技术还包括：

接口调用模块，所述接口调用模块与数据输入端口连接，所述湖仓一体技术模块和接口调用模块的流量输出端与自动流量治理模块的输入端电性连接；

自动采样引擎，所述自动采样引擎的输入端与所述自动流量治理模块的输出端电性连接，所述自动采样引擎包括多个训练集，实现对工作流的调用。

作为本发明优选的方案，所述AutoFE+AutoML自动建模技术包括：

特征工程手段模块，所述特征工程手段模块的输入端与所述AutoFE+AutoML自动建模技术的输出端电性连接；