CN112579667B - 数据驱动的发动机多学科知识机器学习方法及装置 - Google Patents
数据驱动的发动机多学科知识机器学习方法及装置 Download PDFInfo
- Publication number
- CN112579667B CN112579667B CN202011480733.1A CN202011480733A CN112579667B CN 112579667 B CN112579667 B CN 112579667B CN 202011480733 A CN202011480733 A CN 202011480733A CN 112579667 B CN112579667 B CN 112579667B
- Authority
- CN
- China
- Prior art keywords
- data
- mining
- machine learning
- analysis
- design simulation
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 58
- 238000013461 design Methods 0.000 claims abstract description 61
- 238000004088 simulation Methods 0.000 claims abstract description 57
- 238000005065 mining Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000007405 data analysis Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000007418 data mining Methods 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 description 20
- 230000002068 genetic effect Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000013501 data transformation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数据驱动的发动机多学科知识机器学习方法及装置，其中，方法包括：采集发动机的设计仿真数据和物理试验数据；通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，得到挖掘结果；以及根据挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度。该方法通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，用于指导和修正虚拟试验模型，进一步提高设计仿真和虚拟试验精度，通过两者虚实结合，相互迭代提升。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种数据驱动的发动机多学科知识机器学习方法及装置。
背景技术
数据挖掘指的是在大型的数据库中对有价值的信息知识进行获取，属于一种先进的数据信息模式。具体地，数据挖掘就是人们常说的知识发现，通过对海量的、杂乱无章的、不清晰的并且随机性很大的数据进行挖掘，找到其中蕴含的有规律并且有价值和能够理解应用的知识。
一般情况下，主要是借助分析工具找到数据和模型之间的关心，之后进行预测，并将数据回归到真实变量。在网络异常检测技术中应用数据挖掘技术，能够从海量数据中找到需要的信息，并且根据数据信息建立模型，从而对入侵行为和正常操作进行分类了。
然而，由于当前设计仿真数据存在参数种类多、数据量大的特点，通过人工识别很难高效提炼关键信息，有待解决。
发明内容
本发明提供一种数据驱动的发动机多学科知识机器学习方法及装置，通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，用于指导和修正虚拟试验模型，进一步提高设计仿真和虚拟试验精度，通过两者虚实结合，相互迭代提升。
本发明第一方面实施例提供一种数据驱动的发动机多学科知识机器学习方法，包括以下步骤：采集发动机的设计仿真数据和物理试验数据；通过大数据分析和机器学习技术对所述设计仿真数据和所述物理试验数据进行深度挖掘，得到挖掘结果；根据所述挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度。
进一步地，在本发明的一个实施例中，所述通过大数据分析和机器学习技术对所述设计仿真数据和所述物理试验数据进行深度挖掘，包括：识别数据之间的依赖关系，并且进行预判断输出离散类别；和/或通过反复的分区输出是各个不同类型的数据，其中，先对所述数据进行初始归类，之后去粗取精进行合并，使得对象之间彼此联系归于一类。
进一步地，在本发明的一个实施例中，所述通过大数据分析和机器学习技术对所述设计仿真数据和所述物理试验数据进行深度挖掘，具体包括：根据确定的数据分析对象抽象出在数据分析中所需要的特征信息，并选择适应的信息收集策略，将收集到的信息存入数据库；把不同来源、格式、特点性质的数据在逻辑上或物理上集中；将得到数据集的规约表示数据规约技术；对所述数据库中不满足预设条件的数据进行清理；将所述数据库中数据转换成预设的适用于数据挖掘的形式，并选择适应的分析工具进行信息处理，得到分析信息。
进一步地，在本发明的一个实施例中，所述通过大数据分析和机器学习技术对所述设计仿真数据和所述物理试验数据进行深度挖掘，还包括：验证所述分析信息的正确性；将所述分析信息以可视化的方式呈现给用户，或作为新的知识存放在知识库中，以供其他应用程序使用。
根据本发明实施例的数据驱动的发动机多学科知识机器学习方法，可以采集发动机的设计仿真数据和物理试验数据，并通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，得到挖掘结果并根据挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度。由此，采用机器学习技术可快速通过海量数据提炼有用的知识，供设计师开展设计工作。
本发明第二方面实施例提供一种数据驱动的发动机多学科知识机器学习装置，包括：采集模块，用于采集发动机的设计仿真数据和物理试验数据；挖掘模块，用于通过大数据分析和机器学习技术对所述设计仿真数据和所述物理试验数据进行深度挖掘，得到挖掘结果；以及修正模块，用于根据所述挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度。
进一步地，在本发明的一个实施例中，所述挖掘模块，具体用于：识别数据之间的依赖关系，并且进行预判断输出离散类别；和/或通过反复的分区输出是各个不同类型的数据，其中，先对所述数据进行初始归类，之后去粗取精进行合并，使得对象之间彼此联系归于一类。
进一步地，在本发明的一个实施例中，所述挖掘模块，还用于：根据确定的数据分析对象抽象出在数据分析中所需要的特征信息，并选择适应的信息收集策略，将收集到的信息存入数据库；把不同来源、格式、特点性质的数据在逻辑上或物理上集中；将得到数据集的规约表示数据规约技术；对所述数据库中不满足预设条件的数据进行清理；将所述数据库中数据转换成预设的适用于数据挖掘的形式，并选择适应的分析工具进行信息处理，得到分析信息。
进一步地，在本发明的一个实施例中，所述挖掘模块，还用于：验证所述分析信息的正确性；将所述分析信息以可视化的方式呈现给用户，或作为新的知识存放在知识库中，以供其他应用程序使用。
根据本发明实施例的数据驱动的发动机多学科知识机器学习方法，可以采集发动机的设计仿真数据和物理试验数据，并通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，得到挖掘结果并根据挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度。由此，采用机器学习技术可快速通过海量数据提炼有用的知识，供设计师开展设计工作。
本发明第三方面实施例提供一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行如上述实施例所述的数据驱动的发动机多学科知识机器学习方法。
本发明第四方面实施例提供一种计算机可读存储介质，所述非临时性计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的数据驱动的发动机多学科知识机器学习方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的数据驱动的发动机多学科知识机器学习方法的流程图；
图2为根据本发明实施例的数据驱动的发动机多学科知识机器学习装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的数据驱动的发动机多学科知识机器学习方法及装置。
在介绍本发明实施例的数据驱动的发动机多学科知识机器学习方法之前，先简单介绍下本发明实施例涉及到的一些操作方法。
具体地，对于神经网络来说，神经网络由于本身良好的鲁棒性、自组织自适应性、并行处理、分布存储和高度容错等特性非常适合解决数据挖掘的问题，用于分类、预测和模式识别的前馈式神经网络模型；以hopfield的离散模型和连续模型为代表的，分别用于联想记忆和优化计算的反馈式神经网络模型；以art模型、koholon模型为代表的，用于聚类的自组织映射方法。神经网络方法的缺点是"黑箱"性，人们难以理解网络的学习和决策过程；
对于遗传算法来说，遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法。遗传算法具有的隐含并行性、易于和其它模型结合等性质使得它在数据挖掘中被加以应用。sunil已成功地开发了一个基于遗传算法的数据挖掘工具，利用该工具对两个飞机失事的真实数据库进行了数据挖掘实验，结果表明遗传算法是进行数据挖掘的有效方法之一。遗传算法的应用还体现在与神经网络、粗集等技术的结合上。如利用遗传算法优化神经网络结构，在不增加错误率的前提下，删除多余的连接和隐层单元；用遗传算法和bp算法结合训练神经网络，然后从网络提取规则等。但遗传算法的算法较复杂，收敛于局部极小的较早收敛问题尚未解决。
对于决策树方法来说，决策树是一种常用于预测模型的算法，它通过将大量数据有目的分类，从中找到一些有价值的，潜在的信息。它的主要优点是描述简单，分类速度快，特别适合大规模的数据处理。最有影响和最早的决策树方法是由quinlan提出的著名的基于信息熵的id3算法。它的主要问题是：id3是非递增学习算法；id3决策树是单变量决策树，复杂概念的表达困难；同性间的相互关系强调不够；抗噪性差。针对上述问题，出现了许多较好的改进算法，如schlimmer和fisher设计了id4递增式学习算法；钟鸣，陈文伟等提出了ible算法等。
对于粗集方法来说，粗集理论是一种研究不精确、不确定知识的数学工具。粗集方法有几个优点：不需要给出额外信息；简化输入信息的表达空间；算法简单，易于操作。粗集处理的对象是类似二维关系表的信息表。但粗集的数学基础是集合论，难以直接处理连续的属性。而现实信息表中连续属性是普遍存在的。因此连续属性的离散化是制约粗集理论实用化的难点。
对于覆盖正例排斥反例方法来说，它是利用覆盖所有正例、排斥所有反例的思想来寻找规则。首先在正例集合中任选一个种子，到反例集合中逐个比较。与字段取值构成的选择子相容则舍去，相反则保留。按此思想循环所有正例种子，将得到正例的规则(选择子的合取式)。比较典型的算法有michalski的aq11方法、洪家荣改进的aq15方法以及他的ae5方法。
对于统计分析方法来说，在数据库字段项之间存在两种关系：函数关系(能用函数公式表示的确定性关系)和相关关系(不能用函数公式表示，但仍是相关确定性关系)，对它们的分析可采用统计学方法，即利用统计学原理对数据库中的信息进行分析。可进行常用统计(求大量数据中的最大值、最小值、总和、平均值等)、回归分析(用回归方程来表示变量间的数量关系)、相关分析(用相关系数来度量变量间的相关程度)、差异分析(从样本统计量的值得出差异来确定总体参数之间是否存在差异)等。
对于模糊集方法来说，即利用模糊集合理论对实际问题进行模糊评判、模糊决策、模糊模式识别和模糊聚类分析。系统的复杂性越高，模糊性越强，一般模糊集合理论是用隶属度来刻画模糊事物的亦此亦彼性的。李德毅等人在传统模糊理论和概率统计的基础上，提出了定性定量不确定性转换模型--云模型，并形成了云理论。
对于挖掘对象来说，根据信息存储格式，用于挖掘的对象有关系数据库、面向对象数据库、数据仓库、文本数据源、多媒体数据库、空间数据库、时态数据库、异质数据库以及internet等。
图1为本发明实施例所提供的一种数据驱动的发动机多学科知识机器学习方法的流程示意图。如图1所示，该数据驱动的发动机多学科知识机器学习方法包括以下步骤：
在步骤S101中，采集发动机的设计仿真数据和物理试验数据。
可以理解的是，本发明实施例可以采用相应的采集设备采集发动机的设计仿真数据和物理试验数据。其中，采集方法可以采用相关技术中的采集方法，为避免冗余，在此不做详细赘述。
在步骤S102中，通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，得到挖掘结果。
具体地，在本发明的一个实施例中，通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，包括：识别数据之间的依赖关系，并且进行预判断输出离散类别；和/或通过反复的分区输出是各个不同类型的数据，其中，先对数据进行初始归类，之后去粗取精进行合并，使得对象之间彼此联系归于一类。
可以理解的是，数据挖掘的方法有多种，主要包括：分类分析和聚类分析两种。其中，分类分析需要找到数据之间的依赖关系，并且进行预判断输出离散类别；聚类分析是通过反复的分区从而找到解决办法，它的输出是各个不同类型的数据，也就是先对数据进行初始归类，之后去粗取精进行合并，最后使得对象之间能够彼此联系归于一类。
进一步地，在本发明的一个实施例中，通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，具体包括：根据确定的数据分析对象抽象出在数据分析中所需要的特征信息，并选择适应的信息收集策略，将收集到的信息存入数据库；把不同来源、格式、特点性质的数据在逻辑上或物理上集中；将得到数据集的规约表示数据规约技术；对数据库中不满足预设条件的数据进行清理；将数据库中数据转换成预设的适用于数据挖掘的形式，并选择适应的分析工具进行信息处理，得到分析信息。
进一步地，在本发明的一个实施例中，通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，还包括：验证分析信息的正确性；将分析信息以可视化的方式呈现给用户，或作为新的知识存放在知识库中，以供其他应用程序使用。
可以理解的是，数据挖掘需要可以有数据清理、数据变换、数据挖掘实施过程、模式评估和知识表示等8个步骤。
具体地，(1)信息收集：根据确定的数据分析对象抽象出在数据分析中所需要的特征信息，然后选择合适的信息收集方法，将收集到的信息存入数据库。对于海量数据，选择一个合适的数据存储和管理的数据仓库是至关重要的。
(2)数据集成：把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从而为企业提供全面的数据共享。
(3)数据规约：执行多数的数据挖掘算法即使在少量数据上也需要很长的时间，而做商业运营数据挖掘时往往数据量非常大。数据规约技术可以用来得到数据集的规约表示，它小得多，但仍然接近于保持原数据的完整性，并且规约后执行数据挖掘结果与规约前执行结果相同或几乎相同。
(4)数据清理：在数据库中的数据有一些是不完整的(有些感兴趣的属性缺少属性值)，含噪声的(包含错误的属性值)，并且是不一致的(同样的信息不同的表示方式)，因此需要进行数据清理，将完整、正确、一致的数据信息存入数据仓库中。
(5)数据变换：通过平滑聚集，数据概化，规范化等方式将数据转换成适用于数据挖掘的形式。对于有些实数型数据,通过概念分层和数据的离散化来转换数据也是重要的一步。
(6)数据挖掘过程：根据数据仓库中的数据信息，选择合适的分析工具，应用统计方法、事例推理、决策树、规则推理、模糊集、甚至神经网络、遗传算法的方法处理信息，得出有用的分析信息。
(7)模式评估：从商业角度，由行业专家来验证数据挖掘结果的正确性。
(8)知识表示：将数据挖掘所得到的分析信息以可视化的方式呈现给用户，或作为新的知识存放在知识库中，供其他应用程序使用。
需要说明的是，数据挖掘过程是一个反复循环的过程，每一个步骤如果没有达到预期目标，都需要回到前面的步骤，重新调整并执行。不是每件数据挖掘的工作都需要这里列出的每一步，例如在某个工作中不存在多个数据源的时候，步骤(2)数据集成的步骤便可以省略；步骤(3)数据规约(4)数据清理(5)数据变换又合称数据预处理。在数据挖掘中，至少60％的费用可能要花在步骤(1)信息收集阶段，而至少60％以上的精力和时间是花在数据预处理。
在步骤S103中，根据挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度。
由此，通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，用于指导和修正虚拟试验模型，进一步提高设计仿真和虚拟试验精度，通过两者虚实结合，相互迭代提升。
根据本发明实施例提出的数据驱动的发动机多学科知识机器学习方法，可以采集发动机的设计仿真数据和物理试验数据，并通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，得到挖掘结果并根据挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度。由此，采用机器学习技术可快速通过海量数据提炼有用的知识，供设计师开展设计工作。
其次参照附图描述根据本发明实施例提出的数据驱动的发动机多学科知识机器学习装置。
图2是本发明实施例的数据驱动的发动机多学科知识机器学习装置的方框示意图。
如图2所示，该数据驱动的发动机多学科知识机器学习装置10包括：采集模块100、挖掘模块200和修正模块300。
其中，采集模块100用于采集发动机的设计仿真数据和物理试验数据。挖掘模块200用于通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，得到挖掘结果。修正模块300用于根据挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度
进一步地，在本发明的一个实施例中，挖掘模块200具体用于：识别数据之间的依赖关系，并且进行预判断输出离散类别；和/或通过反复的分区输出是各个不同类型的数据，其中，先对数据进行初始归类，之后去粗取精进行合并，使得对象之间彼此联系归于一类。
进一步地，在本发明的一个实施例中，挖掘模块200还用于：根据确定的数据分析对象抽象出在数据分析中所需要的特征信息，并选择适应的信息收集策略，将收集到的信息存入数据库；把不同来源、格式、特点性质的数据在逻辑上或物理上集中；将得到数据集的规约表示数据规约技术；对数据库中不满足预设条件的数据进行清理；将数据库中数据转换成预设的适用于数据挖掘的形式，并选择适应的分析工具进行信息处理，得到分析信息。
进一步地，在本发明的一个实施例中，挖掘模块200还用于：验证分析信息的正确性；将分析信息以可视化的方式呈现给用户，或作为新的知识存放在知识库中，以供其他应用程序使用。
需要说明的是，前述对数据驱动的发动机多学科知识机器学习方法实施例的解释说明也适用于该实施例的数据驱动的发动机多学科知识机器学习装置，此处不再赘述。
根据本发明实施例提出的数据驱动的发动机多学科知识机器学习装置，可以采集发动机的设计仿真数据和物理试验数据，并通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，得到挖掘结果并根据挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度。由此，采用机器学习技术可快速通过海量数据提炼有用的知识，供设计师开展设计工作。
为了实现上述实施例，本发明还提出了一种电子设备，包括：至少一个处理器和存储器。其中，存储器与至少一个处理器通信连接，其中，存储器存储有可被至少一个处理器执行的指令，指令被设置为用于执行上述实施例的数据驱动的发动机多学科知识机器学习方法，如以用于：
采集发动机的设计仿真数据和物理试验数据；
通过大数据分析和机器学习技术对设计仿真数据和物理试验数据进行深度挖掘，得到挖掘结果；以及
根据挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度。
为了实现上述实施例，本发明还提出了一种计算机可读存储介质，其存储计算机指令，计算机指令用于使计算机执行上述实施例的数据驱动的发动机多学科知识机器学习方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种数据驱动的发动机多学科知识机器学习方法，其特征在于，包括以下步骤：
采集发动机的设计仿真数据和物理试验数据；
通过大数据分析和机器学习技术对所述设计仿真数据和所述物理试验数据进行深度挖掘，得到挖掘结果；以及
根据所述挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度；
所述通过大数据分析和机器学习技术对所述设计仿真数据和所述物理试验数据进行深度挖掘，包括：
识别数据之间的依赖关系，并且进行预判断输出离散类别；和/或
通过反复的分区输出是各个不同类型的数据，其中，先对所述数据进行初始归类，之后去粗取精进行合并，使得对象之间彼此联系归于一类。
2.根据权利要求1所述的方法，其特征在于，所述通过大数据分析和机器学习技术对所述设计仿真数据和所述物理试验数据进行深度挖掘，具体包括：
根据确定的数据分析对象抽象出在数据分析中所需要的特征信息，并选择适应的信息收集策略，将收集到的信息存入数据库；
把不同来源、格式、特点性质的数据在逻辑上或物理上集中；
将得到数据集的规约表示数据规约技术；
对所述数据库中不满足预设条件的数据进行清理；
将所述数据库中数据转换成预设的适用于数据挖掘的形式，并选择适应的分析工具进行信息处理，得到分析信息。
3.根据权利要求2所述的方法，其特征在于，所述通过大数据分析和机器学习技术对所述设计仿真数据和所述物理试验数据进行深度挖掘，还包括：
验证所述分析信息的正确性；
将所述分析信息以可视化的方式呈现给用户，或作为新的知识存放在知识库中，以供其他应用程序使用。
4.一种数据驱动的发动机多学科知识机器学习装置，其特征在于，包括：
采集模块，用于采集发动机的设计仿真数据和物理试验数据；
挖掘模块，用于通过大数据分析和机器学习技术对所述设计仿真数据和所述物理试验数据进行深度挖掘，得到挖掘结果；以及
修正模块，用于根据所述挖掘结果指导和修正虚拟试验模型，以提高设计仿真和虚拟试验精度；
所述挖掘模块，具体用于：
识别数据之间的依赖关系，并且进行预判断输出离散类别；和/或
通过反复的分区输出是各个不同类型的数据，其中，先对所述数据进行初始归类，之后去粗取精进行合并，使得对象之间彼此联系归于一类。
5.根据权利要求4所述的装置，其特征在于，所述挖掘模块，还用于：
根据确定的数据分析对象抽象出在数据分析中所需要的特征信息，并选择适应的信息收集策略，将收集到的信息存入数据库；
把不同来源、格式、特点性质的数据在逻辑上或物理上集中；
将得到数据集的规约表示数据规约技术；
对所述数据库中不满足预设条件的数据进行清理；
将所述数据库中数据转换成预设的适用于数据挖掘的形式，并选择适应的分析工具进行信息处理，得到分析信息。
6.根据权利要求5所述的装置，其特征在于，所述挖掘模块，还用于：
验证所述分析信息的正确性；
将所述分析信息以可视化的方式呈现给用户，或作为新的知识存放在知识库中，以供其他应用程序使用。
7.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-3任一项所述的数据驱动的发动机多学科知识机器学习方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-3任一项所述的数据驱动的发动机多学科知识机器学习方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011480733.1A CN112579667B (zh) | 2020-12-15 | 2020-12-15 | 数据驱动的发动机多学科知识机器学习方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011480733.1A CN112579667B (zh) | 2020-12-15 | 2020-12-15 | 数据驱动的发动机多学科知识机器学习方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112579667A CN112579667A (zh) | 2021-03-30 |
| CN112579667B true CN112579667B (zh) | 2024-02-09 |
Family
ID=75135372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011480733.1A Active CN112579667B (zh) | 2020-12-15 | 2020-12-15 | 数据驱动的发动机多学科知识机器学习方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112579667B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5692107A (en) * | 1994-03-15 | 1997-11-25 | Lockheed Missiles & Space Company, Inc. | Method for generating predictive models in a computer system |
| CN112070126A (zh) * | 2020-08-21 | 2020-12-11 | 江西国云科技有限公司 | 一种物联网数据挖掘方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190004920A1 (en) * | 2017-06-30 | 2019-01-03 | Intel Corporation | Technologies for processor simulation modeling with machine learning |
-
2020
- 2020-12-15 CN CN202011480733.1A patent/CN112579667B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5692107A (en) * | 1994-03-15 | 1997-11-25 | Lockheed Missiles & Space Company, Inc. | Method for generating predictive models in a computer system |
| CN112070126A (zh) * | 2020-08-21 | 2020-12-11 | 江西国云科技有限公司 | 一种物联网数据挖掘方法 |
Non-Patent Citations (1)
| Title |
|---|
| 浅析数据挖掘的主要方法和研究方向;王斌;计算机仿真(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112579667A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723632B (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
| CN112612902B (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
| Ilkou et al. | Symbolic vs sub-symbolic ai methods: Friends or enemies? | |
| CN109062763B (zh) | 一种从svn日志事件流中动态实时挖掘软件过程活动的方法 | |
| Levatić et al. | Self-training for multi-target regression with tree ensembles | |
| CN113779272B (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
| CN112463981A (zh) | 一种基于深度学习的企业内部经营管理风险识别提取方法及系统 | |
| WO2022258775A1 (en) | Automatic xai (autoxai) with evolutionary nas techniques and model discovery and refinement | |
| CN107103363A (zh) | 一种基于lda的软件故障专家系统的构建方法 | |
| Hosseinzadeh et al. | Data cleansing mechanisms and approaches for big data analytics: a systematic study | |
| CN110765781A (zh) | 一种领域术语语义知识库人机协同构建方法 | |
| Wang et al. | Exploring semantics of software artifacts to improve requirements traceability recovery: a hybrid approach | |
| Bakar et al. | Building a new taxonomy for data discretization techniques | |
| CN113742396A (zh) | 一种对象学习行为模式的挖掘方法及装置 | |
| Malik et al. | A comprehensive approach towards data preprocessing techniques & association rules | |
| CN112579667B (zh) | 数据驱动的发动机多学科知识机器学习方法及装置 | |
| CN112905845B (zh) | 离散智能制造应用的多源非结构化数据清洗方法 | |
| CN115544112A (zh) | 一种基于大数据人工智能的双创成果高价值专利筛选方法 | |
| CN115204179A (zh) | 基于电网公共数据模型的实体关系预测的方法及装置 | |
| CN112306730B (zh) | 基于历史项目伪标签生成的缺陷报告严重程度预测方法 | |
| Omar | Performance Evaluation Of Supervised Machine Learning Classifiers For Mapping Natural Language Text To Entity Relationship Models | |
| Zhou et al. | A review of a text classification technique: K-Nearest Neighbor | |
| Haffey et al. | Knowledge discovery and data mining within a design environment | |
| Kopyrin et al. | Usage of the machine learning to organize time series and find anomalies | |
| Wright | Knowledge discovery preprocessing: determining record usability |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |