[发明专利]一种故障诊断的深度学习模型自适应更新的方法及装置

说明书

本发明公开了一种故障诊断的深度学习模型自适应更新的方法及装置，该方法包括获取设备数据，根据设备数据和分类模型，确定设备数据是否为新的故障数据，若是，则根据新的故障数据，更新分类模型和深度学习模型。通过在确定设备数据为新的故障数据时，及时更新分类模型和深度学习模型，从而可以使得每次模型更新的结果不同，提高系统资源利用率，降低系统能耗。

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种故障诊断的深度学习模型自适应更新的方法及装置。

背景技术

白电数据可以产生巨大的价值，基于深度学习的故障预测诊断模型，可以通过学习优良设备和不良设备的数据差别，在优良设备发生不良变化前，发现此设备，并将此信息和改进方案推送给用户，使用户提前预防，减少损失。

当前的深度学习方案，是基于样本推断整体，基于当前数据推断将来数据，但是随着产品类型的增加，这种以偏概全的方式，必须过一段时间就要全部重新学习、重新部署。这种按照固定时间进行更新的方式，有时会因为本次学习数据跟上次学习数据相比并没有增加新的故障数据，造成本次学习的结果与上次学习的结果相同，浪费了系统能耗。

发明内容

本发明实施例提供一种故障诊断的深度学习模型自适应更新的方法及装置，用以实现深度学习模型每次更新的结果都不同，提高系统利用率，降低系统能耗。

第一方面，本发明实施例提供一种故障诊断的深度学习模型自适应更新的方法，包括：

获取设备数据；

根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据；

若是，则根据所述新的故障数据，更新所述分类模型和深度学习模型。

上述技术方案中，通过在确定设备数据为新的故障数据时，及时更新分类模型和深度学习模型，从而可以使得每次模型更新的结果不同，提高系统资源利用率，降低系统能耗。

可选的，若所述设备数据不是新的故障数据，则根据所述设备数据和深度学习模型进行故障预测。

可选的，所述根据所述新的故障数据，更新所述分类模型和深度学习模型，包括：

将所述新的故障数据加入训练样本中；

使用预设的分类模型和预设的深度学习模型对加入所述新的故障数据的训练样本重新进行训练学习，得到更新后的所述分类模型和更新后的所述深度学习模型。

可选的，所述分类模型为孤立森林模型；

所述根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据，包括：

将所述设备数据输入至所述孤立森林模型中，得到所述设备数据对应距离根节点的深度；

若所述设备数据对应距离根节点的深度大于所述孤立森林模型的深度，则确定所述设备数据为新的故障数据，否则确定所述设备数据不是新的故障数据。

第二方面，本发明实施例提供一种故障诊断的深度学习模型自适应更新的装置，包括：

获取单元，用于获取设备数据；

处理单元，用于根据所述设备数据和分类模型，确定所述设备数据是否为新的故障数据；若是，则根据所述新的故障数据，更新所述分类模型和深度学习模型。

可选的，所述处理单元还用于：

若所述设备数据不是新的故障数据，则根据所述设备数据和深度学习模型进行故障预测。

可选的，所述处理单元具体用于：

将所述新的故障数据加入训练样本中；