[发明专利]一种专家规则的保护方法及装置

权利要求书

1.一种专家规则的保护方法，其特征在于，包括：

将基于工业设备时序数据的专家规则输入专家规则的有向无环图解析器中解析，得到专家规则的有向无环图；

构建所述专家规则的训练样本集；

利用神经网络对所述专家规则的训练样本集进行训练，得到所述专家规则对应的黑箱模型；

将所述有向无环图中，利用所述黑箱模型替换所述专家规则对应的算子，得到可以对专家规则进行保护的有向无环图；

其中，所述有向无环图，包括：原始测量量M、特征变量D、征兆变量S、研判规则F、特征算子OP_D、征兆算子OP-S和算子对应的控制参数Par；其中，将原始测量量M输入到特征算子OP_D中，得到特征变量D；

将特征变量D输入到征兆算子OP-S中，得到征兆变量S；

将征兆变量S输入到研判规则F中，得到专家规则的有向无环图；

其中，构建所述专家规则的训练样本集，包括：

根据特征算子的输入量的值域范围，输入第一随机数值向量，得到第一目标变量，将第一随机数值向量和第一目标变量作为第一训练样本集；

根据征兆算子的输入量的值域范围，输入第二随机数值向量，得到第二目标变量，将第二随机数值向量和第二目标变量作为第二训练样本集；

根据研判规则的输入量的值域范围，输入是或者否构成第三随机数值向量，得到第三目标变量，将第三随机数值向量和第三目标变量作为第三训练样本集。

2.根据权利要求1所述的专家规则的保护方法，其特征在于，还包括：

对神经网络的输入变量X进行加扰，具体是在多个输入变量的基础上增加多个干扰变量或者时序下标变量作为神经网络的输入。

3.根据权利要求1或2所述的专家规则的保护方法，其特征在于，还包括：

对神经网络的输出进行加扰，具体是对训练集中的目标变量Y采用可逆函数进行变换，利用变换后的目标变量Y’和输入变量X训练神经网络，在使用前利用反函数进行无损反演。

4.根据权利要求2所述的专家规则的保护方法，其特征在于，还包括：

保留干扰变量的输入层、隐含层、输入-隐含层的参数；

将干扰变量的隐含层连接到输入变量X的输出层，参数不变，输入变量X的输入层与干扰变量的隐含层之间没有连接；

干扰变量的输入层与输入变量X的隐含层之间没有连接。

5.根据权利要求3所述的专家规则的保护方法，其特征在于，利用神经网络对所述专家规则的训练样本集进行训练，得到所述专家规则对应的黑箱模型，包括：

根据所述第一训练样本集或者所述第二训练样本集中的样本数据对应的维度数据，作为神经网络算法的输入和输出，得到多个神经网络模型；

根据所述多个神经网络模型，得到所述特征算子或者征兆算子分别对应的黑箱模型。

6.一种专家规则的保护装置，其特征在于，包括：

解析模块，用于将基于工业设备时序数据的专家规则输入专家规则的有向无环图解析器中解析，得到专家规则的有向无环图；

构建模块，用于构建所述专家规则的训练样本集；

训练模块，用于利用神经网络对所述专家规则的训练样本集进行训练，得到所述专家规则对应的黑箱模型；

处理模块，用于将所述有向无环图中，利用所述黑箱模型替换所述专家规则对应的算子，得到可以对专家规则进行保护的有向无环图；

所述有向无环图，包括：原始测量量M、特征变量D、征兆变量S、研判规则F、特征算子OP_D、征兆算子OP-S和算子对应的控制参数Par；其中，将原始测量量M输入到特征算子OP_D中，得到特征变量D；

将特征变量D输入到征兆算子OP-S中，得到征兆变量S；

将征兆变量S输入到研判规则F中，得到专家规则的有向无环图；

构建模块，具体用于：根据特征算子的输入量的值域范围，输入第一随机数值向量，得到第一目标变量，将第一随机数值向量和第一目标变量作为第一训练样本集；

根据征兆算子的输入量的值域范围，输入第二随机数值向量，得到第二目标变量，将第二随机数值向量和第二目标变量作为第二训练样本集；

根据研判规则的输入量的值域范围，输入是或者否构成第三随机数值向量，得到第三目标变量，将第三随机数值向量和第三目标变量作为第三训练样本集。