CN111027678B - 一种数据迁移方法及装置 - Google Patents

一种数据迁移方法及装置 Download PDF

Info

Publication number
CN111027678B
CN111027678B CN201911228274.5A CN201911228274A CN111027678B CN 111027678 B CN111027678 B CN 111027678B CN 201911228274 A CN201911228274 A CN 201911228274A CN 111027678 B CN111027678 B CN 111027678B
Authority
CN
China
Prior art keywords
data
domain
original
sample
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911228274.5A
Other languages
English (en)
Other versions
CN111027678A (zh
Inventor
刘涛
蔺思宇
马君
李素洁
杨晨旺
王伟
周景源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Meifang Science And Technology Beijing Co ltd
Original Assignee
Meifang Science And Technology Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Meifang Science And Technology Beijing Co ltd filed Critical Meifang Science And Technology Beijing Co ltd
Priority to CN201911228274.5A priority Critical patent/CN111027678B/zh
Publication of CN111027678A publication Critical patent/CN111027678A/zh
Application granted granted Critical
Publication of CN111027678B publication Critical patent/CN111027678B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种数据迁移方法及装置，该方法包括：获取原域数据；将原域数据输入训练好的数据迁移模型，得到目标域迁移数据；其中，所述训练好的数据迁移模型是根据带原域标签的原域数据和带目标域标签的目标域数据训练得到的。通过针对一维工业机械数据，构建了训练好的数据迁移模型，对该数据迁移模型的损失函数同时考虑了时域、频域及时频域特征上的近似性，三者联合下降的最优解保证了一维信号的真正相似，从而最终实现了工业设备领域的数据迁移。

Description

一种数据迁移方法及装置
技术领域
本发明涉及工业信息技术领域，尤其涉及一种数据迁移方法及装置。
背景技术
在人工智能技术实际落地过程中，实际应用场景下数据分布的变化会造成检测和识别模型性能的下降。例如，工业机械设备运行时的振动、压力、温度等数据变化均受设备结构、转速、流量、电流、电压等因素影响，每一个因素的细微差异累计成了设备个体数据间较大差异。故此，在无工况发生过的设备上就算使用相同型号设备的数据训练的模型，也不能准确的识别未来在该设备上发生的同种工况，因此需要找到一种将已有的工况数据与新设备运行数据之间迁移近似的方法，以提高模型的泛化性。
工业机械设备数据以振动为主，皆为一维信号，没有类似图像上的空间信息概念，因此实现数据迁移十分困难。
如何实现工业设备领域的数据迁移已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种数据迁移方法及电子设备，用以解决上述背景技术中提出的技术问题，或至少部分解决上述背景技术中提出的技术问题。
第一方面，本发明实施例提供一种数据迁移方法，包括：
获取原域数据；
将原域数据输入训练好的数据迁移模型，得到目标域迁移数据；
其中，所述训练好的数据迁移模型是根据带原域标签的原域数据和带目标域标签的目标域数据训练得到的。
更具体的，所述训练好的数据迁移模型包括训练好的生成器和训练好的判别器。
更具体的，在所述将原域标签数据输入训练好的数据迁移模型的步骤之前，所述方法还包括：
获取带原域标签的样本原域数据和带目标域标签的样本目标域数据；
将所述带原域标签的样本原域数据输入数据迁移模型中的生成器，得到带原域标签的假性迁移数据，将所述带原域标签的假性迁移数据作为带原域标签的样本原域数据，再次输入数据迁移模型中的生成器进行训练，直至生成器的损失函数达到稳定收敛，得到训练好的生成器；
将所述带目标域标签的样本目标域数据和带原域标签的样本原域数据输入数据迁移模型中的判别器，进行训练，当判别器的损失函数达到稳定收敛，得到训练好的判别器；
根据所述训练好的生成器和训练好的判别器得到训练好的数据迁移模型。
更具体的，所述数据迁移模型中的生成器由卷积神经网络编码器和卷积神经网络解码器结合构成。
更具体的，所述生成器的损失函数具体为：
根据卷积神经网络编码器分别对样本原域的时域数据和样本目标域的时域数据进行运算，得到样本原域特征向量和样本目标域特征向量；根据所述样本原域特征向量和样本目标域特征向量的均方误差得到第一损失函数；
根据卷积神经网络解码器对所述样本原域特征向量进行解码，得到样本原域转换目标域的时域假性数据，根据样本原域转换目标域的时域假性数据和样本目标域的时域数据之间的均方误差得到第二损失函数；
根据样本原域转换目标域的时域假性数据的快速傅里叶函数变换结果与样本目标域的时域数据的快速傅里叶变换结果间的余弦距离得到第三损失函数；
分别对所述第一损失函数、第二损失函数和第三损失函数进行赋权，得到生成器的损失函数。
更具体的，在所述获取带原域标签的样本原域数据和带目标域标签的样本目标域数据的步骤之前，所述方法还包括：
获取原始样本原域数据和原始样本目标域数据；
对所述原始样本原域数据和原始样本目标域数据中的异常点数据进行筛除，得到带原域标签的样本原域数据和带目标域标签的样本目标域数据。
更具体的，在所述得到目标域迁移数据的步骤之后，所述方法还包括：
将所述目标域迁移数据输入工业机械设备自动学习提升算法。
第二方面，本发明实施例提供一种数据迁移装置，包括：
获取模块，用于获取原域数据；
迁移模块，用于将原域数据输入训练好的数据迁移模型，得到目标域迁移数据；
其中，所述训练好的数据迁移模型是根据带原域标签的原域数据和带目标域标签的目标域数据训练得到的。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述数据迁移方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述数据迁移方法的步骤。
本发明实施例提供的一种数据迁移方法及装置，通过针对一维工业机械数据，构建了训练好的数据迁移模型，对该数据迁移模型的损失函数同时考虑了时域、频域及时频域特征上的近似性，三者联合下降的最优解保证了一维信号的真正相似，从而最终实现了工业设备领域的数据迁移。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例中所描述的数据迁移方法程示意图；
图2为本发明一实施例所描述的数据迁移过程示意图；
图3为本发明一实施例所描述的数据迁移装置结构示意图；
图4为本发明一实施例所描述的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一实施例中所描述的数据迁移方法程示意图，如图1所示，包括：
步骤S1，获取原域数据；
步骤S2，将原域数据输入训练好的数据迁移模型，得到目标域迁移数据；
其中，所述训练好的数据迁移模型是根据带原域标签的原域数据和带目标域标签的目标域数据训练得到的。
新设备使用场景下的数据为目标域，与之相对的旧设备历史数据集称为原域。原域可以包括多种设备类型多种使用条件的数据。数据迁移指的是根据部分目标域的数据，将原域的数据转换成与目标域数据相似的数据的算法技术。
本发明实施例中所描述的原域数据具体是指工业机械设备中的数据信息，且该数据信息中还包括了原域标签，即指旧设备数据的标签。
本发明实施例中所描述的目标域数据是指将要迁移的新设备使用场景下的数据，该数据还包含目标域标签，即指迁移目标新设备数据的标签。
本发明实施例中所描述的训练好的数据迁移模型是应用于现代工业机械领域，针对于工业机械设备的数据多为一维的特性的数据迁移模型，其可以有效将原域的一维的工业机械设备数据迁移到目标域，得到目标域迁移数据。
本发明实施例中所描述的训练好的数据迁移模型由训练好的生成器和训练好的判别器构成，训练好的生成器是由卷积神经网络编码器和卷积神经网络解码器组成，训练好的判别器是指用特殊核的卷积神经网络。
训练好的数据迁移模型是根据带原域标签的原域数据和带目标域标签的目标域数据训练得到的。
首先，将所述带原域标签的样本原域数据输入数据迁移模型中的生成器，得到带原域标签的假性迁移数据，并将生成器的输出重新作为输入，直至生成器的损失函数稳定收敛，即将带原域标签的假性迁移数据重新输入生成器，循环训练。
同时将生成器的输入和带目标域标签的样本目标域数据对判别器进行训练，直至判别器的损失函数收敛。
本发明实施例中所描述的训练好的生成器是由卷积神经网络编码器和卷积神经网络解码器组成，本发明实施例还针对该神经网络中标准化层参数的回归网络进行了训练，以提高模型的泛化性，即本发明实施例中所描述的卷积神经网络的标准化层是自定义的标准化层。
将卷积神经网络解码器中标准化层的均值和标准差与输入样本解耦合，引入附加的3层全卷积网络用于构造随机向量，并引入可训练的仿射变换以生成不同标准化层的均值和标准差。本发明实施例中卷积神经网络中自定义的标准化层会随着原域数据的变化进行自适应调优，克服当原域数据由多个设备数据组成时，统一标准化层使的时域的数值大小信息缩放的问题。
本发明实施例通过针对一维工业机械数据，构建了训练好的数据迁移模型，对该数据迁移模型的损失函数同时考虑了时域、频域及时频域特征上的近似性，三者联合下降的最优解保证了一维信号的真正相似，从而最终实现了工业设备领域的数据迁移。
图2为本发明一实施例所描述的数据迁移过程示意图，如图2所示，：
包括：步骤S21，获取原域数据信息；
步骤S22，通过训练好的生成器中的卷积神经网络编码器实现时域特征和频谱信息提取，该卷积神经网络的自定义标准化层的均值和标准差，采用可训练的仿射变换优化得到；
步骤S23，通过训练好的生成器中的卷积神经网络解码器对提取的信息进行解码，并结合生成器的损失函数以提高重构和分类的准确性，得到目标域迁移数据信息。
在上述实施例的基础上，所述训练好的数据迁移模型包括训练好的生成器和训练好的判别器。
在所述将原域标签数据输入训练好的数据迁移模型的步骤之前，所述方法还包括：
获取带原域标签的样本原域数据和带目标域标签的样本目标域数据；
将所述带原域标签的样本原域数据输入数据迁移模型中的生成器，得到带原域标签的假性迁移数据，将所述带原域标签的假性迁移数据作为带原域标签的样本原域数据，再次输入数据迁移模型中的生成器进行训练，直至生成器的损失函数达到稳定收敛，得到训练好的生成器；
将所述带目标域标签的样本目标域数据和带原域标签的样本原域数据输入数据迁移模型中的判别器，进行训练，当判别器的损失函数达到稳定收敛，得到训练好的判别器；
根据所述训练好的生成器和训练好的判别器得到训练好的数据迁移模型。
根据卷积神经网络编码器分别对样本原域的时域数据和样本目标域的时域数据进行运算，得到样本原域特征向量和样本目标域特征向量；根据所述样本原域特征向量和样本目标域特征向量的均方误差得到第一损失函数；
根据卷积神经网络解码器对所述样本原域特征向量进行解码，得到样本原域转换目标域的时域假性数据，根据样本原域转换目标域的时域假性数据和样本目标域的时域数据之间的均方误差得到第二损失函数；
根据样本原域转换目标域的时域假性数据的快速傅里叶函数变换结果与样本目标域的时域数据的快速傅里叶变换结果间的余弦距离得到第三损失函数；
分别对所述第一损失函数、第二损失函数和第三损失函数进行赋权，得到生成器的损失函数。
将训练初始阶段，将带原域标签的样本原域数据输入输入数据迁移模型中的生成器，得到带原域标签的假性迁移数据，若生成器的损失函数没有稳定收敛，则继续进行循环训练，此时将生成器输出的带原域标签的假性迁移数据替换带原域标签的样本原域数据作为输入，进行循环训练，直至生成器的损失函数稳定收敛，停止训练，得到训练好的生成器。
在生成器的每轮训练过程中，不仅将生成器的输出重新作为生成器后续训练过程中的输入，还将生成器的输出作为判别器的输入，同时判别器的输入还包括带目标域标签的样本目标域数据，此时判别器跟随生成器的循环训练进行多次训练，直至判别器的损失函数达到稳定收敛，最终得到能够实现对于数据迁移的数据迁移模型。
本发明实施例通过针对一维工业机械数据，构建了训练好的数据迁移模型，对该数据迁移模型的损失函数同时考虑了时域、频域及时频域特征上的近似性，三者联合下降的最优解保证了一维信号的真正相似，从而最终实现了工业设备领域的数据迁移。
在上述实施例的基础上，所述数据迁移模型中的生成器由卷积神经网络编码器和卷积神经网络解码器结合构成。
所述生成器的损失函数具体为：
根据卷积神经网络编码器分别对样本原域的时域数据和样本目标域的时域数据进行运算，得到样本原域特征向量和样本目标域特征向量；根据所述样本原域特征向量和样本目标域特征向量的均方误差得到第一损失函数；
根据卷积神经网络解码器对所述样本原域特征向量进行解码，得到样本原域转换目标域的时域假性数据，根据样本原域转换目标域的时域假性数据和样本目标域的时域数据之间的均方误差得到第二损失函数；
根据样本原域转换目标域的时域假性数据的快速傅里叶函数变换结果与样本目标域的时域数据的快速傅里叶变换结果间的余弦距离得到第三损失函数；
分别对所述第一损失函数、第二损失函数和第三损失函数进行赋权，得到生成器的损失函数。
具体的，在训练过程中先在每一轮中将生成器的损失函数集降低，让生成器生成的原域假性数据更接近于目标域的真实数据，再将原域的假性数据进入判别器判断及训练，让判别器尽可能的将原域的假性数据从真实数据中找出来。
本发明实施例通过将损失函数同时考虑了时域、频域及时频域特征上的近似性，三者联合下降的最优解保证了一维工业机械设备信号的数据迁移相似性。
在上述实施例的基础上所述获取带原域标签的样本原域数据和带目标域标签的样本目标域数据的步骤之前，所述方法还包括：
获取原始样本原域数据和原始样本目标域数据；
对所述原始样本原域数据和原始样本目标域数据中的异常点数据进行筛除，得到带原域标签的样本原域数据和带目标域标签的样本目标域数据。
具体的，本发明实施例中所描述的原始样本原域数据是从工业机械设备系统所直接提取的原始数据。
本发明实施例中通过清洗原始样本原域数据和原始样本目标域数据中的异常点，提升数据可靠性，从而保证模型训练可以有效进行。
在本发明另一实施例中，以两端支撑式多级离心泵为例，用BB3及BB4型号的多级离心泵已知数据建立数据迁移模型，对已知数据分别进行对应不同目标域的迁移，使用迁移后数据对模型进行调整，在其他新场景下的BB3及BB4型号的数据上准确率为68.5％，在BB5型号的数据上准确率为46.49％，分类准确率有明显大幅提升。相同数据对比试验下，使用CycleGAN的正确率分别为54.0％和26.94％。
图3为本发明一实施例所描述的数据迁移装置结构示意图，如图3所示，包括：获取模块310和迁移装置320；其中，获取模块310用于获取原域数据；其中，迁移模块320用于将原域数据输入训练好的数据迁移模型，得到目标域迁移数据；其中，所述训练好的数据迁移模型是根据带原域标签的原域数据和带目标域标签的目标域数据训练得到的。
本发明实施例提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
本发明实施例通过针对一维工业机械数据，构建了训练好的数据迁移模型，对该数据迁移模型的损失函数同时考虑了时域、频域及时频域特征上的近似性，三者联合下降的最优解保证了一维信号的真正相似，从而最终实现了工业设备领域的数据迁移。
图4为本发明一实施例所描述的电子设备结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：获取原域数据；将原域数据输入训练好的数据迁移模型，得到目标域迁移数据；其中，所述训练好的数据迁移模型是根据带原域标签的原域数据和带目标域标签的目标域数据训练得到的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取原域数据；将原域数据输入训练好的数据迁移模型，得到目标域迁移数据；其中，所述训练好的数据迁移模型是根据带原域标签的原域数据和带目标域标签的目标域数据训练得到的。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：获取原域数据；将原域数据输入训练好的数据迁移模型，得到目标域迁移数据；其中，所述训练好的数据迁移模型是根据带原域标签的原域数据和带目标域标签的目标域数据训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种数据迁移方法，其特征在于，包括：
获取原域数据；
将原域数据输入训练好的数据迁移模型，得到目标域迁移数据；
其中，所述训练好的数据迁移模型是根据带原域标签的样本原域数据和带目标域标签的样本目标域数据训练得到的；
其中，所述训练好的数据迁移模型包括训练好的生成器和训练好的判别器；
其中，在所述将原域数据输入训练好的数据迁移模型的步骤之前，所述方法还包括：
获取带原域标签的样本原域数据和带目标域标签的样本目标域数据；
将所述带原域标签的样本原域数据输入数据迁移模型中的生成器，得到带原域标签的假性迁移数据，将所述带原域标签的假性迁移数据作为带原域标签的样本原域数据，再次输入数据迁移模型中的生成器进行训练，直至生成器的损失函数达到稳定收敛，得到训练好的生成器；
将所述带目标域标签的样本目标域数据和带原域标签的样本原域数据输入数据迁移模型中的判别器，进行训练，当判别器的损失函数达到稳定收敛，得到训练好的判别器；
根据所述训练好的生成器和训练好的判别器得到训练好的数据迁移模型；
其中，所述数据迁移模型中的生成器由卷积神经网络编码器和卷积神经网络解码器构成；
其中，卷积神经网络的标准化层随原域数据进行自适应调优；
其中，所述将所述带原域标签的样本原域数据输入数据迁移模型中的生成器的步骤之前，所述方法还包括：
根据卷积神经网络编码器分别对样本原域的时域数据和样本目标域的时域数据进行运算，得到样本原域特征向量和样本目标域特征向量；根据所述样本原域特征向量和样本目标域特征向量的均方误差得到第一损失函数；
根据卷积神经网络解码器对所述样本原域特征向量进行解码，得到样本原域转换目标域的时域假性数据，根据样本原域转换目标域的时域假性数据和样本目标域的时域数据之间的均方误差得到第二损失函数；
根据样本原域转换目标域的时域假性数据的快速傅里叶函数变换结果与样本目标域的时域数据的快速傅里叶变换结果间的余弦距离得到第三损失函数；
分别对所述第一损失函数、第二损失函数和第三损失函数进行赋权，得到生成器的损失函数；
其中，在所述获取带原域标签的样本原域数据和带目标域标签的样本目标域数据的步骤之前，所述方法还包括：
获取原始样本原域数据和原始样本目标域数据；
对所述原始样本原域数据和原始样本目标域数据中的异常点数据进行筛除，得到带原域标签的样本原域数据和带目标域标签的样本目标域数据。
2.根据权利要求1所述数据迁移方法，其特征在于，在所述得到目标域迁移数据的步骤之后，所述方法还包括：
将所述目标域迁移数据输入工业机械设备自动学习提升算法。
3.一种数据迁移装置，其特征在于，包括：
获取模块，用于获取原域数据；
迁移模块，用于将原域数据输入训练好的数据迁移模型，得到目标域迁移数据；
其中，所述训练好的数据迁移模型是根据带原域标签的样本原域数据和带目标域标签的样本目标域数据训练得到的；
所述装置还用于：
所述训练好的数据迁移模型包括训练好的生成器和训练好的判别器；
获取带原域标签的样本原域数据和带目标域标签的样本目标域数据；
将所述带原域标签的样本原域数据输入数据迁移模型中的生成器，得到带原域标签的假性迁移数据，将所述带原域标签的假性迁移数据作为带原域标签的样本原域数据，再次输入数据迁移模型中的生成器进行训练，直至生成器的损失函数达到稳定收敛，得到训练好的生成器；
将所述带目标域标签的样本目标域数据和带原域标签的样本原域数据输入数据迁移模型中的判别器，进行训练，当判别器的损失函数达到稳定收敛，得到训练好的判别器；
根据所述训练好的生成器和训练好的判别器得到训练好的数据迁移模型；
其中，所述数据迁移模型中的生成器由卷积神经网络编码器和卷积神经网络解码器构成；
其中，卷积神经网络的标准化层随原域数据进行自适应调优；
根据卷积神经网络编码器分别对样本原域的时域数据和样本目标域的时域数据进行运算，得到样本原域特征向量和样本目标域特征向量；根据所述样本原域特征向量和样本目标域特征向量的均方误差得到第一损失函数；
根据卷积神经网络解码器对所述样本原域特征向量进行解码，得到样本原域转换目标域的时域假性数据，根据样本原域转换目标域的时域假性数据和样本目标域的时域数据之间的均方误差得到第二损失函数；
根据样本原域转换目标域的时域假性数据的快速傅里叶函数变换结果与样本目标域的时域数据的快速傅里叶变换结果间的余弦距离得到第三损失函数；
分别对所述第一损失函数、第二损失函数和第三损失函数进行赋权，得到生成器的损失函数；
获取原始样本原域数据和原始样本目标域数据；
对所述原始样本原域数据和原始样本目标域数据中的异常点数据进行筛除，得到带原域标签的样本原域数据和带目标域标签的样本目标域数据。
4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至2任一项所述数据迁移方法的步骤。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一项所述数据迁移方法的步骤。
CN201911228274.5A 2019-12-04 2019-12-04 一种数据迁移方法及装置 Active CN111027678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911228274.5A CN111027678B (zh) 2019-12-04 2019-12-04 一种数据迁移方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911228274.5A CN111027678B (zh) 2019-12-04 2019-12-04 一种数据迁移方法及装置

Publications (2)

Publication Number Publication Date
CN111027678A CN111027678A (zh) 2020-04-17
CN111027678B true CN111027678B (zh) 2023-08-04

Family

ID=70207338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911228274.5A Active CN111027678B (zh) 2019-12-04 2019-12-04 一种数据迁移方法及装置

Country Status (1)

Country Link
CN (1) CN111027678B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101220B (zh) * 2020-09-15 2023-03-03 哈尔滨理工大学 一种无监督模型参数迁移的滚动轴承寿命预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109060001A (zh) * 2018-05-29 2018-12-21 浙江工业大学 一种基于特征迁移学习的多工况过程软测量建模方法
CN109376620A (zh) * 2018-09-30 2019-02-22 华北电力大学 一种风电机组齿轮箱故障的迁移诊断方法
CN109685644A (zh) * 2018-12-17 2019-04-26 深圳市数丰科技有限公司 一种基于迁移学习的客户信用评分方法及装置
CN109753992A (zh) * 2018-12-10 2019-05-14 南京师范大学 基于条件生成对抗网络的无监督域适应图像分类方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN109947086A (zh) * 2019-04-11 2019-06-28 清华大学 基于对抗学习的机械故障迁移诊断方法及系统
CN110533070A (zh) * 2019-07-26 2019-12-03 西安交通大学 一种小样本下基于迁移原形网络的机械故障智能诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268292A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Learning efficient object detection models with knowledge distillation
US11380034B2 (en) * 2017-10-27 2022-07-05 Google Llc Semantically-consistent image style transfer

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109060001A (zh) * 2018-05-29 2018-12-21 浙江工业大学 一种基于特征迁移学习的多工况过程软测量建模方法
CN109376620A (zh) * 2018-09-30 2019-02-22 华北电力大学 一种风电机组齿轮箱故障的迁移诊断方法
CN109753992A (zh) * 2018-12-10 2019-05-14 南京师范大学 基于条件生成对抗网络的无监督域适应图像分类方法
CN109685644A (zh) * 2018-12-17 2019-04-26 深圳市数丰科技有限公司 一种基于迁移学习的客户信用评分方法及装置
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN109947086A (zh) * 2019-04-11 2019-06-28 清华大学 基于对抗学习的机械故障迁移诊断方法及系统
CN110533070A (zh) * 2019-07-26 2019-12-03 西安交通大学 一种小样本下基于迁移原形网络的机械故障智能诊断方法

Also Published As

Publication number Publication date
CN111027678A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN111914644B (zh) 一种基于双模态协同的弱监督时序动作定位方法及系统
CN108334936B (zh) 基于迁移卷积神经网络的故障预测方法
US20210326728A1 (en) Anomaly detection apparatus, anomaly detection method, and program
CN111402257B (zh) 一种基于多任务协同跨域迁移的医学图像自动分割方法
Xie et al. Imbalanced learning for fault diagnosis problem of rotating machinery based on generative adversarial networks
KR20220053662A (ko) 라디오 기술들을 식별하기 위한 뉴럴 네트워크
US11435719B2 (en) System and method for identifying manufacturing defects
CN110991471B (zh) 一种高速列车牵引系统故障诊断方法
CN112948155B (zh) 模型训练方法、状态预测方法、装置、设备及存储介质
CN112418175A (zh) 基于域迁移的滚动轴承故障诊断方法、系统及存储介质
Kwon et al. Multi-scale speaker embedding-based graph attention networks for speaker diarisation
KR101549798B1 (ko) 캐스케이드된 오버-컴플리트 딕셔너리들에 기초한 이미지 인식 시스템
CN111027678B (zh) 一种数据迁移方法及装置
CN116184988A (zh) 基于多模态数据的故障预测方法、装置、设备及存储介质
US11881052B2 (en) Face search method and apparatus
CN116578869A (zh) 电力系统的故障诊断方法、故障诊断装置与电子装置
CN117579101B (zh) 载波通讯模块的控制方法及其系统
US20210397973A1 (en) Storage medium, optimum solution acquisition method, and optimum solution acquisition apparatus
Sardari et al. Pat: Position-aware transformer for dense multi-label action detection
CN114004258B (zh) 一种半监督的心电异常检测方法
CN111881721B (zh) 一种跨年龄的人脸识别方法、系统、装置及存储介质
US20210241021A1 (en) Information processing method and information processing system
CN110929786B (zh) 一种数据增广方法及电子设备
CN117292331B (zh) 基于深度学习的复杂异物检测系统及方法
CN117874528B (zh) 基于边界校准的半导体加工无监督异常检测方法及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Liu Tao

Inventor after: Lin Siyu

Inventor after: Ma Jun

Inventor after: Li Sujie

Inventor after: Yang Chenwang

Inventor after: Wang Wei

Inventor after: Zhou Jingyuan

Inventor before: Liu Tao

Inventor before: Lin Siyu

Inventor before: Ma Jun

Inventor before: Liu Yongpan

Inventor before: Li Sujie

Inventor before: Yang Chenwang

Inventor before: Wang Wei

Inventor before: Zhou Jingyuan

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant