CN116560894A - 应用机器学习的无人机故障数据分析方法、服务器及介质 - Google Patents
应用机器学习的无人机故障数据分析方法、服务器及介质 Download PDFInfo
- Publication number
- CN116560894A CN116560894A CN202310839471.0A CN202310839471A CN116560894A CN 116560894 A CN116560894 A CN 116560894A CN 202310839471 A CN202310839471 A CN 202310839471A CN 116560894 A CN116560894 A CN 116560894A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- analysis
- text
- text semantic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000007405 data analysis Methods 0.000 title claims abstract description 11
- 238000010586 diagram Methods 0.000 claims abstract description 91
- 238000004458 analytical method Methods 0.000 claims description 344
- 239000013598 vector Substances 0.000 claims description 180
- 238000005065 mining Methods 0.000 claims description 73
- 238000012545 processing Methods 0.000 claims description 56
- 230000008859 change Effects 0.000 claims description 50
- 238000001514 detection method Methods 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 17
- 238000013473 artificial intelligence Methods 0.000 claims description 14
- 230000002441 reversible effect Effects 0.000 claims description 13
- 238000005303 weighing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000006698 induction Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012932 thermodynamic analysis Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 42
- 238000012423 maintenance Methods 0.000 description 13
- 230000004807 localization Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及无人机技术领域，具体而言，提供一种应用机器学习的无人机故障数据分析方法、服务器及介质，应用本发明实施例，可以从全局热力图谱中掌握故障类别描述信息。鉴于该故障类别描述信息是依据全局热力图谱所确定的，因而能够适用于不同故障类别（无论是已知的故障类别还是未知的故障类别）的判断分析，从而提高故障类别定位的精度和可信度。
Description
技术领域
本发明涉及无人机技术领域，具体而言，涉及应用机器学习的无人机故障数据分析方法、服务器及介质。
背景技术
机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。随着机器学习的不断发展，其应用领域越来越广泛。以无人机为例，机器学习可以应用到无人机的航测图像分析、飞行线路调度、故障分析等领域。然而，在无人机的故障分析领域，传统技术在实现故障类别定位时还存在精度和可信度低下的问题。
发明内容
本发明至少提供应用机器学习的无人机故障数据分析方法、服务器及介质。
本发明提供了一种应用机器学习的无人机故障数据分析方法，应用于人工智能服务器，所述方法包括：
获得无人机故障分析任务的故障状态文本记录和故障分析辅助向量集，其中，所述故障分析辅助向量集的全局热力图谱为目标全局热力图谱，所述故障分析辅助向量集包括最少一个故障分析辅助向量；
对所述故障状态文本记录进行文本语义挖掘，得到所述故障状态文本记录的故障状态文本语义数据；
对所述最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据；
依据所述最少一个故障类别描述变量数据，对所述故障状态文本语义数据进行故障类别分析处理，得到所述故障状态文本语义数据的故障类别分析观点；
依据所述故障状态文本语义数据，对所述最少一个故障分析辅助向量进行热力图谱生成处理，得到关于所述故障状态文本语义数据的热力图谱生成结果；
依据所述故障类别分析观点和所述热力图谱生成结果，对所述无人机故障分析任务进行故障类别定位。
在一些可能的实施例中，所述依据所述故障状态文本语义数据，对所述最少一个故障分析辅助向量进行热力图谱生成处理，得到关于所述故障状态文本语义数据的热力图谱生成结果，包括：
对所述最少一个故障分析辅助向量进行变化特征挖掘，得到每个故障分析辅助向量的变化特征信息；
依据所述故障状态文本语义数据，将所述每个故障分析辅助向量的变化特征信息进行优化处理，得到每个故障分析辅助向量的变化特征优化结果；
依据所述每个故障分析辅助向量的变化特征优化结果，确定所述热力图谱生成结果。
在一些可能的实施例中，所述依据所述每个故障分析辅助向量的变化特征优化结果，确定所述热力图谱生成结果，包括：
依据所述每个故障分析辅助向量的变化特征优化结果，对所述故障状态文本语义数据进行热力图谱识别，得到所述故障状态文本语义数据的文本语义热力图谱；
确定所述文本语义热力图谱和所述目标全局热力图谱之间的热力图谱共性值；
将所述热力图谱共性值和设定热力解析指示进行比对，得到所述热力图谱生成结果。
在一些可能的实施例中，所述依据所述最少一个故障类别描述变量数据，对所述故障状态文本语义数据进行故障类别分析处理，得到所述故障状态文本语义数据的故障类别分析观点，包括：
将所述最少一个故障类别描述变量数据和所述故障状态文本语义数据进行共性度量运算，得到每个故障类别描述变量数据和所述故障状态文本语义数据之间的语义描述共性度量；
依据设定故障类别分析要求，对所述语义描述共性度量进行权衡数据转换处理，得到所述语义描述共性度量对应的目标权衡数据；
将所述目标权衡数据和设定决策数据进行比对，得到所述故障类别分析观点。
在一些可能的实施例中，所述对所述故障状态文本记录进行文本语义挖掘，得到所述故障状态文本记录的故障状态文本语义数据，包括：
对所述故障状态文本记录进行文本单元提取，得到所述故障状态文本记录的文本单元数据；
对所述文本单元数据进行可逆操作，得到所述故障状态文本记录的可逆特征数据；
对所述可逆特征数据进行区间数值映射处理，得到所述故障状态文本记录的区间数值映射数据；
对所述区间数值映射数据进行特征投影，得到所述故障状态文本记录的故障状态文本语义数据。
在一些可能的实施例中，所述对所述最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据，包括：
对所述故障分析辅助向量进行特征整合处理，得到所述故障分析辅助向量对应的特征整合数据；
依据所述特征整合数据，对所述故障分析辅助向量进行归纳区分处理，得到所述故障分析辅助向量对应的归纳区分结果；
依据所述归纳区分结果，将所述故障分析辅助向量投影至设定故障类别描述坐标系中，得到所述故障类别描述变量数据。
在一些可能的实施例中，所述对所述故障状态文本记录进行文本语义挖掘，得到所述故障状态文本记录的故障状态文本语义数据，包括：通过设定文本语义挖掘网络，对所述故障状态文本记录进行文本语义挖掘，得到所述故障状态文本记录的故障状态文本语义数据；
所述对所述最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据，包括：通过设定类别描述输出网络，对所述最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据；
依据所述最少一个故障类别描述变量数据，对所述故障状态文本语义数据进行故障类别分析处理，得到所述故障状态文本语义数据的故障类别分析观点，包括：依据所述最少一个故障类别描述变量数据，通过设定类别分析组件，对所述故障状态文本语义数据进行故障类别分析处理，得到所述故障状态文本语义数据的故障类别分析观点；
依据所述故障状态文本语义数据，对所述最少一个故障分析辅助向量进行热力图谱生成处理，得到关于所述故障状态文本语义数据的热力图谱生成结果，包括：依据所述故障状态文本语义数据，通过设定热力图谱生成组件，对所述最少一个故障分析辅助向量进行热力图谱生成处理，得到关于所述故障状态文本语义数据的热力图谱生成结果。
在一些可能的实施例中，所述方法还包括：
获得拟调试文本语义挖掘网络和拟调试类别描述输出网络；
采集若干个故障状态文本调试示例和全局热力图谱满足目标全局热力图谱的已认证故障分析辅助向量集，所述已认证故障分析辅助向量集包括若干个先验故障分析辅助向量；
通过所述若干个故障状态文本调试示例和所述若干个先验故障分析辅助向量，对所述拟调试文本语义挖掘网络和所述拟调试类别描述输出网络进行调试，得到所述设定文本语义挖掘网络和所述设定类别描述输出网络。
在一些可能的实施例中，所述通过所述若干个故障状态文本调试示例和所述若干个先验故障分析辅助向量，对所述拟调试文本语义挖掘网络和所述拟调试类别描述输出网络进行调试，得到所述设定文本语义挖掘网络和所述设定类别描述输出网络，包括：
通过所述拟调试文本语义挖掘网络对所述故障状态文本调试示例进行文本语义挖掘，得到所述故障状态文本调试示例的故障状态文本语义学习数据；
通过所述拟调试类别描述输出网络对所述先验故障分析辅助向量进行故障类别描述变换，得到故障类别描述学习变量数据；
依据所述故障类别描述学习变量数据和先验故障分析辅助向量，确定所述故障状态文本语义学习数据对应的文本语义调试代价和热力图谱调试代价；
依据所述文本语义调试代价对所述拟调试文本语义挖掘网络的模型配置变量进行改进，得到所述设定文本语义挖掘网络，以及依据所述热力图谱调试代价，对所述拟调试类别描述输出网络的模型配置变量进行改进，得到所述设定类别描述输出网络。
在一些可能的实施例中，所述依据所述故障类别描述学习变量数据和先验故障分析辅助向量，确定所述故障状态文本语义学习数据对应的文本语义调试代价和热力图谱调试代价，包括：
通过设定类别分析组件，确定所述故障状态文本语义学习数据和所述故障类别描述学习变量数据之间的文本语义调试代价；
通过设定热力图谱生成组件，确定所述故障状态文本语义学习数据和先验故障分析辅助向量之间的热力图谱调试代价。
在一些可能的实施例中，所述获得无人机故障分析任务的故障状态文本记录之前，包括：
响应于故障类别定位申请；
依据所述故障类别定位申请，采集包括无人机故障分析任务的分析报告的原始无人机运行数据集；
根据所述原始无人机运行数据集确定最少一个原始故障检测数据集；
对所述最少一个原始故障检测数据集进行故障状态文本识别，得到识别结果；
依据所述识别结果在所述最少一个原始故障检测数据集中确定所述故障状态文本记录。
在一些可能的实施例中，所述依据所述识别结果在所述最少一个原始故障检测数据集中确定所述故障状态文本记录，包括：
依据所述识别结果，对所述最少一个原始故障检测数据集进行故障类别分析，得到故障类别分析观点；
依据所述故障类别分析观点，在所述最少一个原始故障检测数据集中提取出待处理故障状态文本记录；
对所述待处理故障状态文本记录进行故障标签匹配，得到所述待处理故障状态文本记录中最少一个故障表征文本块的相对分布特征；
依据所述故障表征文本块的相对分布特征，从所述最少一个故障表征文本块中提取出目标故障表征文本块；
依据所述目标故障表征文本块的相对分布特征，生成所述故障状态文本记录。
本发明还提供了一种人工智能服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：本发明实施例可以获得无人机故障分析任务的故障状态文本记录和故障分析辅助向量集，其中，故障分析辅助向量集的全局热力图谱为目标全局热力图谱，故障分析辅助向量集包括最少一个故障分析辅助向量；对故障状态文本记录进行文本语义挖掘，得到故障状态文本记录的故障状态文本语义数据；对最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据；依据最少一个故障类别描述变量数据，对故障状态文本语义数据进行故障类别分析处理，得到故障状态文本语义数据的故障类别分析观点；依据故障状态文本语义数据，对最少一个故障分析辅助向量进行热力图谱生成处理，得到关于故障状态文本语义数据的热力图谱生成结果；依据故障类别分析观点和热力图谱生成结果，对无人机故障分析任务进行故障类别定位，提高了故障类别定位的精度和可信度。
关于上述人工智能服务器、计算机可读存储介质的效果描述参见上述方法的说明。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本发明的实施例，并与说明书一起用于说明本发明的技术方案。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例示出的一种人工智能服务器的方框图。
图2是本发明实施例示出的一种应用机器学习的无人机故障数据分析方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是本发明的一些方面相一致的装置和方法的例子。
图1为本发明实施例提供的人工智能服务器10的结构示意图，包括处理器102、存储器104、和总线106。其中，存储器104用于存储执行指令，包括内存和外部存储器，内存也可以理解为内存储器，用于暂时存放处理器102中的运算数据，以及与硬盘等外部存储器交换的数据，处理器102通过内存与外部存储器进行数据交换，当人工智能服务器10运行时，处理器102与存储器104之间通过总线106通信，使得处理器102执行本发明实施例的应用机器学习的无人机故障数据分析方法。
请结合图2，图2是本发明实施例所提供的一种应用机器学习的无人机故障数据分析方法的流程示意图，应用于人工智能服务器，该方法示例性可以包括如下步骤101-步骤106。
步骤101、获得无人机故障分析任务的故障状态文本记录和故障分析辅助向量集。
本发明实施例中，故障分析辅助向量集的全局热力图谱为目标全局热力图谱，故障分析辅助向量集包括最少一个故障分析辅助向量。
其中，无人机故障分析任务可以包括需进行故障类别定位的任务事件。进一步地，故障状态文本记录可以包括与无人机故障分析任务对应的故障状态检测数据。
发明人经研究和分析发现，传统的故障类别定位/识别技术通常基于量化决策的思路判断无人机故障分析任务的故障类别。但是量化决策等特征的人为介入程度较高。换言之，传统的故障类别定位针对已知的故障类别具有较高的判断精度，但是难以保障针对未知的故障类别的判断精度和可信度。为此，本发明实施例可以从全局热力图谱中掌握故障类别描述信息。鉴于该故障类别描述信息是依据全局热力图谱所确定的，因而能够适用于不同故障类别（无论是已知的故障类别还是未知的故障类别）的判断分析，从而提高故障类别定位的精度和可信度。
在此基础上，故障分析辅助向量集可以为包含满足目标全局热力图谱的特征集。比如，故障分析辅助向量集可以为包含满足目标全局热力图谱的特征向量集。又比如，故障分析辅助向量集可以为包含满足目标全局热力图谱的量化知识集。
在一些可能的示例下，为较佳地表征故障分析辅助向量集中的信息，可以将故障分析辅助向量集中的信息理解为故障分析辅助向量。换言之，故障分析辅助向量集中的故障分析辅助向量可以指全局热力图谱都满足该目标全局热力图谱的信息。
进一步地，全局热力图谱可以指故障分析辅助向量集中的故障分析辅助向量所输出的分布情况。比如，该全局热力图谱可以是特征的热力分布（比如各类概率图谱）。其中，目标全局热力图谱可以是故障分析辅助向量集中的故障分析辅助向量所满足的某种全局热力图谱。比如，当目标全局热力图谱是西格玛分布时，故障分析辅助向量集可以是满足西格玛分布的特征集。
在一些可能的示例下，故障分析辅助向量集中的故障分析辅助向量可以是经抽样所得的。在一些可能的示例下，获得无人机故障分析任务的故障状态文本记录不限，比如，人工智能服务器可以通过无人机故障数据库获取无人机故障分析任务的故障状态文本记录。
示例性的，在步骤“获得无人机故障分析任务的故障状态文本记录”之前，可以包括：响应于故障类别定位申请；依据故障类别定位申请，采集包括无人机故障分析任务的分析报告的原始无人机运行数据集；根据原始无人机运行数据集确定最少一个原始故障检测数据集；对最少一个原始故障检测数据集进行故障状态文本识别，得到识别结果；依据识别结果在最少一个原始故障检测数据集中确定故障状态文本记录。
在一些可能的示例下，在人工智能服务器接收到故障类别定位申请之后，人工智能服务器可以依据故障类别定位申请，采集包括无人机故障分析任务的分析报告的原始无人机运行数据集。其中，为了得到故障状态文本记录，人工智能服务器可以根据原始无人机运行数据集确定最少一个原始故障检测数据集。然后，人工智能服务器可以对最少一个原始故障检测数据集进行故障状态文本识别，得到识别结果，并依据识别结果在最少一个原始故障检测数据集中确定故障状态文本记录。
在一些可能的示例下，在得到原始故障检测数据集之后，可以对原始故障检测数据集进行故障状态文本识别。其中，对原始故障检测数据集进行故障数据抽取可以指判断原始无人机运行数据集是否存在故障数据。如果通过故障数据抽取得到原始故障检测数据集包括的无人机故障分析任务的数据，则会进行之后的故障类别定位分析。
在一些可能的示例下，当识别结果为有原始故障检测数据集包括无人机故障分析任务的故障（检测）数据时，可以在原始故障检测数据集中确定故障状态文本记录。
在一些可能的示例下，当有原始故障检测数据集包括无人机故障分析任务的故障（检测）数据时，可以首先对最少一个原始故障检测数据集进行故障类别分析。通过对最少一个原始故障检测数据集进行故障类别分析，可以在最少一个原始故障检测数据集中提取出待处理故障状态文本记录。其中，待处理故障状态文本记录可以指在若干个原始故障检测数据集中，无人机故障分析任务所对应的故障数据。此外，为了提高故障类别定位的准确性，在提取出待处理故障状态文本记录之后，还可以对待处理故障状态文本记录进行处理。比如，可以在待处理故障状态文本记录中拆解噪声更少的故障状态文本记录。示例性的，步骤“依据识别结果在最少一个原始故障检测数据集中确定故障状态文本记录”，可以包括：依据识别结果，对最少一个原始故障检测数据集进行故障类别分析，得到故障类别分析观点（故障类别决策结果）；依据故障类别分析观点，在最少一个原始故障检测数据集中提取出待处理故障状态文本记录；对待处理故障状态文本记录进行故障标签匹配，得到待处理故障状态文本记录中最少一个故障表征文本块的相对分布特征；依据故障表征文本块的相对分布特征（文本块位置），从最少一个故障表征文本块中提取出目标故障表征文本块；依据目标故障表征文本块的相对分布特征，生成故障状态文本记录。
然后，可以依据故障类别分析观点，在最少一个原始故障检测数据集中提取出待处理故障状态文本记录。
在一些可能的示例下，在提取出故障状态文本记录之后，可以对待处理故障状态文本记录进行处理。示例性的，可以对待处理故障状态文本记录进行故障标签匹配，得到待处理故障状态文本记录的最少一个故障表征文本块。然后，从最少一个故障表征文本块中提取出目标故障表征文本块，并依据目标故障表征文本块生成故障状态文本记录。
其中，对待处理故障状态文本记录进行故障标签匹配，可以对待处理故障状态文本记录中的局部故障状态文本进行捕捉，从而得到待处理故障状态文本记录中局部故障状态文本的位置情况。
在一些可能的示例下，可以依据故障表征文本块的位置，从最少一个故障表征文本块中提取出目标故障表征文本块。比如，可以将故障表征文本块的相对分布特征和设定相对分布特征进行配对，当配对时，则将该故障表征文本块作为目标故障表征文本块。
步骤102、对故障状态文本记录进行文本语义挖掘，得到故障状态文本记录的故障状态文本语义数据。
在一些可能的示例下，在获得得到故障状态文本记录之后，人工智能服务器可以对故障状态文本记录进行文本语义挖掘，得到故障状态文本记录的故障状态文本语义数据。
其中，故障状态文本语义数据包括可表明故障状态文本记录的细节特征描述的信息，因而故障状态文本语义数据可以理解为故障状态文本记录的特征信息，比如无人机通信故障特征、飞行状态故障特征、电池故障特征等。
在一些可能的示例下，对故障状态文本记录进行文本语义挖掘，得到故障状态文本记录的故障状态文本语义数据可以通过残差模型实现。
又比如，可以提取出故障状态文本记录的文本单元数据，然后通过故障状态文本记录的文本单元数据进行处理，从而得到故障状态文本语义数据。示例性的，步骤“对故障状态文本记录进行文本语义挖掘，得到故障状态文本记录的故障状态文本语义数据”，可以包括：对故障状态文本记录进行文本单元（比如字、词、短语、句子等的组合）提取，得到故障状态文本记录的文本单元数据；对文本单元数据进行可逆操作（卷积处理），得到故障状态文本记录的可逆特征数据（卷积特征数据）；对可逆特征数据进行区间数值映射（特征归一化）处理，得到故障状态文本记录的区间数值映射数据（归一化数据）；对区间数值映射数据进行特征投影（非线性映射），得到故障状态文本记录的故障状态文本语义数据。
在一些可能的示例下，在得到故障状态文本记录的文本单元数据之后，通过可逆操作，能够得到故障状态文本记录在不同特征维度下的细节，从而提高故障状态文本语义数据的精度和特征表现质量。
在一些可能的示例下，对文本单元数据进行可逆操作之后，鉴于可能会得到不同特征维度的可逆特征数据，所以可以对可逆特征数据进行区间数值映射处理，得到故障状态文本记录的区间数值映射数据。通过区间数值映射，能够提高对故障状态文本记录进行文本语义挖掘的时效性。
在一些可能的示例下，为了提高对故障状态文本记录进行文本语义挖掘的准确性。还可以对区间数值映射数据进行特征投影（可利用Sigmoid算子或者ReLU算子实现），得到故障状态文本记录的故障状态文本语义数据。
在一些可能的示例下，还可以通过网络调试训练得到可以实现文本语义挖掘功能的设定文本语义挖掘网络。然后，可以通过设定文本语义挖掘网络对故障状态文本记录进行文本语义挖掘，得到故障状态文本记录的故障状态文本语义数据。示例性的，步骤“对故障状态文本记录进行文本语义挖掘，得到故障状态文本记录的故障状态文本语义数据”，可以包括：通过设定文本语义挖掘网络，对故障状态文本记录进行文本语义挖掘，得到故障状态文本记录的故障状态文本语义数据。其中，设定文本语义挖掘网络可以是深度残差模型。
步骤103、对最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据。
在一些可能的示例下，对于传统技术而言，通常基于调试集生成故障类别描述信息。然而这种方式局限性太大。为此，本发明实施例通过对故障分析辅助向量进行特征变换，从全局热力图谱的层面出发生成故障类别描述变量数据，这样可以无需基于调试集生成故障类别描述变量数据。
其中，故障类别描述变量数据是判断故障状态文本语义数据所属无人机故障分析任务所对应的故障类别的依据。即可以依据故障类别描述变量数据对故障状态文本语义数据进行故障类别分析处理，从而可以判断故障状态文本语义数据所属无人机故障分析任务所对应的故障类别。
在一些可能的示例下，可以预先调试一个可以将故障分析辅助向量更新成故障类别描述变量数据的设定类别描述输出网络，然后利用这个设定类别描述输出网络对故障分析辅助向量进行故障类别描述变换（故障类别特征映射），得到故障类别描述变量数据。示例性的，步骤“对最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据”，可以包括：通过设定类别描述输出网络，对最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据。
其中，该设定类别描述输出网络可以是多分类器。
在一些可能的示例下，还可以预先生成一个设定故障类别描述坐标系，然后，将故障分析辅助向量投影至该设定故障类别描述坐标系中，得到故障类别描述变量数据。示例性的，步骤“对最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据”，可以包括：对故障分析辅助向量进行特征整合处理（全连接处理），得到故障分析辅助向量对应的特征整合数据；依据特征整合数据，对故障分析辅助向量进行归纳区分处理（分类处理），得到故障分析辅助向量对应的归纳区分结果；依据归纳区分结果，将故障分析辅助向量投影至设定故障类别描述坐标系中，得到故障类别描述变量数据。
在一些可能的示例下，在得到归纳区分结果之后，可以依据归纳区分结果，将故障分析辅助向量投影至设定故障类别描述坐标系中，并将故障分析辅助向量在设定故障类别描述坐标系中对应的变量值确定为故障类别描述变量数据。其中，设定故障类别描述坐标系可以是一个通过调试生成的故障类别描述坐标系。
步骤104、依据最少一个故障类别描述变量数据，对故障状态文本语义数据进行故障类别分析处理，得到故障状态文本语义数据的故障类别分析观点。
在一些可能的示例下，在得到故障类别描述变量数据之后，可以依据最少一个故障类别描述变量数据，对故障状态文本语义数据进行故障类别分析处理，得到故障状态文本语义数据的故障类别分析观点。示例性的，步骤“依据最少一个故障类别描述变量数据，对故障状态文本语义数据进行故障类别分析处理，得到故障状态文本语义数据的故障类别分析观点”，可以包括：将最少一个故障类别描述变量数据和故障状态文本语义数据进行共性度量运算，得到每个故障类别描述变量数据和故障状态文本语义数据之间的语义描述共性度量；依据设定故障类别分析要求，对语义描述共性度量进行权衡数据转换处理，得到语义描述共性度量对应的目标权衡数据；将目标权衡数据和设定决策数据进行比对，得到故障类别分析观点。
在一些可能的示例下，故障类别描述变量数据相当于为对应相关故障类别的故障状态文本记录的特征提供一基准，即对应相关故障类别的故障状态文本记录的细节特征描述应与故障类别描述变量数据很类似。因而，可以将最少一个故障类别描述变量数据和故障状态文本语义数据进行共性度量运算，得到每个故障类别描述变量数据和故障状态文本语义数据之间的语义描述共性度量（特征相似度）。
在一些可能的示例下，鉴于会确定得到若干个故障类别描述变量数据和故障状态文本语义数据之间的语义描述共性度量，所以可以依据设定故障类别分析要求，对语义描述共性度量进行权衡数据转换处理，得到语义描述共性度量对应的目标权衡数据。其中，权衡数据转换处理可以指将若干个故障类别描述变量数据和故障状态文本语义数据之间的语义描述共性度量转换到同一个指标下，从而可以准确判断无人机故障分析任务所对应的故障类别。
其中，设定故障类别分析要求可以是设定的判断无人机故障分析任务所对应的故障类别的条件。比如，设定故障类别分析要求可以指示如何对语义描述共性度量进行权衡数据转换，以及如何判断无人机故障分析任务所对应的故障类别。比如，设定故障类别分析要求可以规定对语义描述共性度量进行权衡数据转换处理的思路是对语义描述共性度量进行区间数值映射。
在一些可能的示例下，在得到语义描述共性度量对应的目标权衡数据之后，可以将目标权衡数据和设定决策数据进行比对，得到故障类别分析观点。
在一些可能的示例下，还可以通过生成一个设定类别分析组件，然后利用这个设定类别分析组件对故障状态文本语义数据进行决策处理，得到故障状态文本语义数据的故障类别分析观点。示例性的，步骤“依据最少一个故障类别描述变量数据，对故障状态文本语义数据进行故障类别分析处理，得到故障状态文本语义数据的故障类别分析观点”，可以包括：依据最少一个故障类别描述变量数据，通过设定类别分析组件，对故障状态文本语义数据进行故障类别分析处理，得到故障状态文本语义数据的故障类别分析观点。
其中，设定类别分析组件可以具备对故障状态文本语义数据进行故障类别分析处理的功能。比如，可以将故障类别描述变量数据和故障状态文本语义数据加载至设定类别分析组件当中，然后设定类别分析组件便可以输出对故障状态文本语义数据进行故障类别分析处理的故障类别分析观点。
其中，设定类别分析组件中可以实施上述步骤。换言之，设定类别分析组件可以实施步骤“将最少一个故障类别描述变量数据和故障状态文本语义数据进行共性度量运算，得到每个故障类别描述变量数据和故障状态文本语义数据之间的语义描述共性度量；依据设定故障类别分析要求，对语义描述共性度量进行权衡数据转换处理，得到语义描述共性度量对应的目标权衡数据；将目标权衡数据和设定决策数据进行比对，得到故障类别分析观点”。
步骤105、依据故障状态文本语义数据，对最少一个故障分析辅助向量进行热力图谱生成处理，得到关于故障状态文本语义数据的热力图谱生成结果。
在一些可能的示例下，本发明实施例可以从两个层面判断无人机故障分析任务所对应的故障类别。一个层面是从语义描述共性度量的层面出发，即依据最少一个故障类别描述变量数据，对故障状态文本语义数据进行故障类别分析处理，得到故障状态文本语义数据的故障类别分析观点。而另外一个是从热力图谱共性值的层面出发，判断无人机故障分析任务所对应的故障类别，即依据故障状态文本语义数据，对最少一个故障分析辅助向量进行热力图谱生成处理，得到关于故障状态文本语义数据的热力图谱生成结果。
在一些可能的示例下，鉴于故障分析辅助向量满足目标全局热力图谱，在本发明实施例中，可以将故障状态文本语义数据作为故障分析辅助向量的故障类别描述映射的对象，从而对故障分析辅助向量进行处理，以确定故障状态文本语义数据的最佳“映射语义”，然后判断“映射语义”是否也满足目标全局热力图谱。其中，如果“映射语义”也满足目标全局热力图谱，则可以确定故障状态文本语义数据对应的无人机故障分析任务所对应的故障类别。可见，对故障分析辅助向量进行热力图谱生成处理即对故障分析辅助向量处理，使得故障分析辅助向量的分布和故障状态文本语义数据的“映射语义”的分布类似。
在一些可能的示例下，可以对故障分析辅助向量进行变化特征挖掘，通过变化特征计算（比如梯度处理）使得故障分析辅助向量不断地去和故障状态文本语义数据的“映射语义”进行整合（拟合）。示例性的步骤“依据故障状态文本语义数据，对最少一个故障分析辅助向量进行热力图谱生成处理，得到关于故障状态文本语义数据的热力图谱生成结果”，可以包括：对最少一个故障分析辅助向量进行变化特征挖掘，得到每个故障分析辅助向量的变化特征（梯度）信息；依据故障状态文本语义数据，将每个故障分析辅助向量的变化特征信息进行优化处理，得到每个故障分析辅助向量的变化特征优化结果（收敛结果）；依据每个故障分析辅助向量的变化特征优化结果，确定热力图谱生成结果。其中，可以基于梯度下降算法对故障分析辅助向量进行变化特征挖掘，得到每个变化特征的变化特征信息。
在一些可能的示例下，为了让故障分析辅助向量整合故障状态文本语义数据的“映射语义”，可以依据故障状态文本语义数据，将每个故障分析辅助向量的变化特征信息进行优化处理，得到每个故障分析辅助向量的变化特征优化结果。其中，依据故障状态文本语义数据，将每个故障分析辅助向量的变化特征信息进行优化处理可理解为以故障状态文本语义数据为目标，对故障分析辅助向量进行不断地进行变化特征处理，从而使得故障分析辅助向量信息的变化特征信息优化。
比如，在对故障分析辅助向量进行变化特征计算，得到故障分析辅助向量的变化特征信息之后，可以对故障分析辅助向量的变化特征信息进行故障类别描述映射，得到变化特征信息对应的故障类别描述信息。
进一步地，可确定变化特征信息对应的故障类别描述信息和故障状态文本语义数据之间的代价数据（比如损失数据）。
更进一步地，可以依据故障类别描述信息和故障状态文本语义数据之间的代价数据，对故障分析辅助向量第二次进行变化特征计算，得到故障分析辅助向量第二轮变化特征计算的变化特征信息。
进而，对故障分析辅助向量第二轮变化特征计算的变化特征信息进行故障类别描述映射，得到第二次变化特征信息对应的故障类别描述信息。基于此，第二次变化特征信息对应的故障类别描述信息和故障状态文本语义数据的代价数据。
示例性的，循环以上步骤，直到变化特征信息对应的故障类别描述信息和故障状态文本语义数据之间的代价数据优化。而当变化特征信息对应的故障类别描述信息和故障状态文本语义数据之间的代价数据优化时，模型配置变量特征的变化特征信息也达到了优化的状态，此时能够得到故障分析辅助向量的变化特征优化结果。而故障分析辅助向量的变化特征优化结果便可以相当于故障状态文本语义数据的“映射语义”。
在上述内容的基础上，便可以依据每个故障分析辅助向量的变化特征优化结果，确定热力图谱生成结果。示例性的，步骤“依据每个故障分析辅助向量的变化特征优化结果，确定热力图谱生成结果”，可以包括：依据每个故障分析辅助向量的变化特征优化结果，对故障状态文本语义数据进行热力图谱识别，得到故障状态文本语义数据的文本语义热力图谱；确定文本语义热力图谱和目标全局热力图谱之间的热力图谱共性值（可以理解为特征分布相似度）；将热力图谱共性值和设定热力解析指示进行比对，得到热力图谱生成结果。
其中，故障状态文本语义数据的文本语义热力图谱可以包括说明故障状态文本语义数据满足哪种特征的热力分布的信息。比如，当文本语义热力图谱是西格玛分布时，说明故障状态文本语义数据满足西格玛分布。
在一些可能的示例下，对故障状态文本语义数据进行热力图谱识别，分析出故障状态文本语义数据满足那种特征的热力分布。比如，可以将这些每个故障分析辅助向量的变化特征优化结果更新成图表形式，然后对图表形式进行分析，从而得到故障状态文本语义数据的文本语义热力图谱。
在一些可能的示例下，在得到文本语义热力图谱之后，可确定文本语义热力图谱和目标全局热力图谱之间的热力图谱共性值。如果文本语义热力图谱和目标全局热力图谱之间的热力图谱共性值很高，则可以确定无人机故障分析任务对应的故障类别，否则可以确定无人机故障分析任务对应故障误导类别。这样，进一步扩展了故障类别判断的范围，从而减少对样本数据的依赖。
在一些可能的示例下，还可以通过生成一个设定热力图谱生成组件，然后利用这个设定热力图谱生成组件依据故障状态文本语义数据，对最少一个故障分析辅助向量进行热力图谱生成处理，得到关于故障状态文本语义数据的热力图谱生成结果。示例性的，步骤“依据故障状态文本语义数据，对最少一个故障分析辅助向量进行热力图谱生成处理，得到关于故障状态文本语义数据的热力图谱生成结果”，可以包括：依据故障状态文本语义数据，通过设定热力图谱生成组件，对最少一个故障分析辅助向量进行热力图谱生成处理，得到关于故障状态文本语义数据的热力图谱生成结果。
其中，设定热力图谱生成组件可以具备依据故障状态文本语义数据，对故障分析辅助向量信息进行热力图谱生成的功能。比如，可以将故障状态文本语义数据和故障分析辅助向量信息加载至设定热力图谱生成组件当中，然后，设定热力图谱生成组件可以输出对故障状态文本语义数据的热力图谱生成结果。
其中，设定热力图谱生成组件可以实施上述步骤。比如，设定热力图谱生成组件可以实施步骤“依据每个故障分析辅助向量的变化特征优化结果，对故障状态文本语义数据进行热力图谱识别，得到故障状态文本语义数据的文本语义热力图谱；计算文本语义热力图谱和目标全局热力图谱之间的热力图谱共性值；将热力图谱共性值和设定热力解析指示进行比对，得到热力图谱生成结果”。
步骤106、依据故障类别分析观点和热力图谱生成结果，对无人机故障分析任务进行故障类别定位。
在一些可能的示例下，在得到故障类别分析观点和热力图谱生成结果之后，便可以依据故障类别分析观点和热力图谱生成结果，对无人机故障分析任务进行故障类别定位，即结合故障类别分析观点和热力图谱生成结果判断无人机故障分析任务所对应的故障类别。
比如，当设定类别分析组件和设定热力图谱生成组件都判断无人机故障分析任务不匹配相关故障类别时，可以判定无人机故障分析任务不匹配相关故障类别。又比如，当设定类别分析组件或设定热力图谱生成组件判断无人机故障分析任务不匹配相关故障类别，为了提高判断精度，可以再次采集无人机故障分析任务的故障状态文本记录，并对无人机故障分析任务的故障状态文本记录进行再次分析。若仍有设定类别分析组件或设定热力图谱生成组件判断无人机故障分析任务不匹配相关故障类别时，则可以判定无人机故障分析任务是故障误导类别（也即不匹配相关故障类别）。又比如，当设定类别分析组件和设定热力图谱生成组件都判断无人机故障分析任务匹配相关故障类别时，可以判定无人机故障分析任务是匹配相关故障类别，并输出故障类别定位通过的故障类别定位结果。示例性的，故障类别定位结果可以包括电池故障类别、信号干扰故障类别、气象因素故障类别、电子设备故障类别等。
在一些可能的示例下，本发明实施例提出了一种应用机器学习的无人机故障数据分析方法，该方法的网络模型架构可以包括设定文本语义挖掘网络、设定类别描述输出网络、设定类别分析组件和设定热力图谱生成组件。
其中，设定文本语义挖掘网络用于对故障状态文本记录进行文本语义挖掘，得到故障状态文本记录的故障状态文本语义数据。设定类别描述输出网络用于对所述最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据。然后，便会从两个维度对故障状态文本语义数据进行分析。
一方面是通过设定类别分析组件依据最少一个故障类别描述变量数据，对故障状态文本语义数据进行故障类别分析处理，得到故障状态文本语义数据的故障类别分析观点。另一方面是通过设定热力图谱生成组件依据故障状态文本语义数据，对最少一个故障分析辅助向量进行热力图谱生成处理，得到关于故障状态文本语义数据的热力图谱生成结果。通过本发明实施例能够提升故障类别分析的扩展性，以提升故障类别定位的精度和可信度。
在一些可能的示例下，在通过设定文本语义挖掘网络对故障状态文本记录进行文本语义挖掘和通过设定类别描述输出网络对最少一个故障分析辅助向量进行故障类别描述变换之前，需要进行网络模型调试，从而获得设定文本语义挖掘网络。
示例性的，本发明实施例提出的网络调试方法可以还包括：获得拟调试文本语义挖掘网络和拟调试类别描述输出网络；采集若干个故障状态文本调试示例和全局热力图谱满足目标全局热力图谱的已认证故障分析辅助向量集，已认证故障分析辅助向量集包括若干个先验故障分析辅助向量（故障分析辅助向量样例）；利用若干个故障状态文本调试示例和若干个先验故障分析辅助向量，对拟调试文本语义挖掘网络和拟调试类别描述输出网络进行调试，得到设定文本语义挖掘网络和设定类别描述输出网络。
在一些可能的示例下，在对拟调试文本语义挖掘网络和拟调试类别描述输出网络调试之前，还可以采集若干个故障状态文本调试示例和全局热力图谱满足目标全局热力图谱的已认证故障分析辅助向量集，已认证故障分析辅助向量集包括若干个先验故障分析辅助向量。
其中，故障状态文本调试示例对指对网络进行调试时所需的训练样本，故障状态文本调试示例中可以包括积极样例和消极样例，积极样例对应匹配相关故障类别且具有对应故障类别的故障状态文本记录样例，消极样例对应不匹配相关故障类别的故障状态文本记录样例。
其中，先验故障分析辅助向量也可以包括对网络进行调试时所需的样本。比如，可以在满足目标全局热力图谱中的信息中抽样获得先验故障分析辅助向量。
然后，可以基于若干个故障状态文本调试示例和若干个先验故障分析辅助向量，对拟调试文本语义挖掘网络和拟调试类别描述输出网络进行调试，得到设定文本语义挖掘网络和设定类别描述输出网络。
在一些可能的示例下，步骤“利用若干个故障状态文本调试示例和若干个先验故障分析辅助向量，对拟调试文本语义挖掘网络和拟调试类别描述输出网络进行调试，得到设定文本语义挖掘网络和设定类别描述输出网络”，可以包括：利用拟调试文本语义挖掘网络对故障状态文本调试示例进行文本语义挖掘，得到故障状态文本调试示例的故障状态文本语义学习数据；利用拟调试类别描述输出网络对先验故障分析辅助向量进行故障类别描述变换，得到故障类别描述学习变量数据；依据故障类别描述学习变量数据和先验故障分析辅助向量，计算故障状态文本语义学习数据对应的文本语义调试代价和热力图谱调试代价；依据文本语义调试代价对拟调试文本语义挖掘网络的模型配置变量进行改进，得到设定文本语义挖掘网络，以及依据热力图谱调试代价，对拟调试类别描述输出网络的模型配置变量进行改进，得到设定类别描述输出网络。
在一些可能的示例下，步骤“利用拟调试文本语义挖掘网络对故障状态文本调试示例进行文本语义挖掘，得到故障状态文本调试示例的故障状态文本语义学习数据”可以结合步骤102。
在一些可能的示例下，步骤“利用拟调试类别描述输出网络对先验故障分析辅助向量进行故障类别描述变换，得到故障类别描述学习变量数据”可以结合步骤103。
在一些可能的示例下，在对拟调试类别描述输出网络和拟调试文本语义挖掘网络进行调试时，可以通过设定类别分析组件和设定热力图谱生成组件进行协助调试。比如，在步骤“依据故障类别描述学习变量数据和先验故障分析辅助向量，计算故障状态文本语义学习数据对应的文本语义调试代价和热力图谱调试代价”中，可以引入设定类别分析组件和设定热力图谱生成组件确定代价数据。示例性的，步骤“依据故障类别描述学习变量数据和先验故障分析辅助向量，计算故障状态文本语义学习数据对应的文本语义调试代价和热力图谱调试代价”，可以包括：通过设定类别分析组件，计算故障状态文本语义学习数据和故障类别描述学习变量数据之间的文本语义调试代价；通过设定热力图谱生成组件，计算故障状态文本语义学习数据和先验故障分析辅助向量之间的热力图谱调试代价。
比如，可以通过设定类别分析组件计算故障状态文本语义学习数据和故障类别描述学习变量数据之间的语义描述共性度量，并将该语义描述共性度量作为文本语义调试代价。
比如，可以通过设定热力图谱生成组件，计算故障状态文本语义学习数据对先验故障分析辅助向量的变化特征信息，并将该变化特征信息作为热力图谱调试代价。比如，可确定故障状态文本语义学习数据对先验故障分析辅助向量的微商，并将该微商作为热力图谱调试代价。
在一些可能的示例下，在得到文本语义调试代价和热力图谱调试代价之后，可以依据文本语义调试代价对拟调试文本语义挖掘网络的模型配置变量进行改进，得到设定文本语义挖掘网络，以及依据热力图谱调试代价，对拟调试类别描述输出网络的模型配置变量进行改进，得到设定类别描述输出网络。
本发明实施例提出了一种应用机器学习的无人机故障数据分析方法，该应用机器学习的无人机故障数据分析方法包括：获得无人机故障分析任务的故障状态文本记录和故障分析辅助向量集，其中，故障分析辅助向量集的全局热力图谱为目标全局热力图谱，故障分析辅助向量集包括最少一个故障分析辅助向量；对故障状态文本记录进行文本语义挖掘，得到故障状态文本记录的故障状态文本语义数据；对最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据；依据最少一个故障类别描述变量数据，对故障状态文本语义数据进行故障类别分析处理，得到故障状态文本语义数据的故障类别分析观点；依据故障状态文本语义数据，对最少一个故障分析辅助向量进行热力图谱生成处理，得到关于故障状态文本语义数据的热力图谱生成结果；依据故障类别分析观点和热力图谱生成结果，对无人机故障分析任务进行故障类别定位。
本发明实施例中基于两个角度对故障状态文本记录的故障状态文本语义数据进行分析，从而判断无人机故障分析任务所对应的故障类别。
一方面，依据最少一个故障类别描述变量数据，对故障状态文本语义数据进行故障类别分析处理，得到故障状态文本语义数据的故障类别分析观点。该方面用于分析故障类别定位过程的可信程度。其中，鉴于故障类别描述变量数据是有满足目标全局热力图谱的故障分析辅助向量生成的，因而可以通过故障类别描述变量数据来准确可靠地判断故障状态文本语义数据的分布一致性，从而提升故障类别定位过程的精度和可信度。因此，该方面可以理解为假设分析。
另一方面，是依据所述故障状态文本语义数据，对所述最少一个故障分析辅助向量进行热力图谱生成处理，得到关于所述故障状态文本语义数据的热力图谱生成结果。其中，采用满足目标全局热力图谱的故障分析辅助向量的目的是通过生成故障类别的特征分布，而不是通过样本生成故障类别的特征分布。设定热力图谱生成组件用于将故障状态文本语义数据的“映射语义”和目标全局热力图谱进行比对，基于此，故障状态文本语义数据不属于目标全局热力图谱的无人机故障分析任务可以认为是故障误导类别。
可见，本发明实施例提出的方法能够提高故障类别定位的精度和可信度。
在一些可独立的实施例中，在所述依据所述故障类别分析观点和所述热力图谱生成结果，对所述无人机故障分析任务进行故障类别定位之后，所述方法还包括：将所述无人机故障分析任务的故障状态文本记录与所述无人机故障分析任务的故障类别定位标签进行关联存储。
其中，通过关联存储，可以确保故障状态文本记录和故障类别定位标签的强关联性，且关联之后的二元组（故障状态文本记录+故障类别定位标签）可继续作为调试样例进一步调试和优化相关的机器学习模型，还能够作为之后无人机故障维修的参考依据。
在一些可独立的实施例中，在将所述无人机故障分析任务的故障状态文本记录与所述无人机故障分析任务的故障类别定位标签进行关联存储之后，所述方法还包括：响应于无人机故障维修指令，从而目标数据库中调用二元组数据，根据所述二元组数据确定无人机故障维修方案。
其中，二元组数据可以是关联存储在目标数据库中的所述无人机故障分析任务的故障状态文本记录与所述无人机故障分析任务的故障类别定位标签，在接收到无人机故障维修指令之后，可以快速准确地从目标数据库中调用二元组数据，以便根据二元组数据确定无人机故障维修方案。
在一些可独立的实施例中，所述根据所述二元组数据确定无人机故障维修方案，包括：从所述二元组数据中抽取结构配件故障状态数据集，其中，所述结构配件故障状态数据集包括X组结构配件故障状态数据，所述X为大于或等于1的整数；根据所述结构配件故障状态数据集获取机械损伤状态数据集，其中，所述机械损伤状态数据集包括X组机械损伤状态数据；基于所述结构配件故障状态数据集，通过卷积神经网络所包括的第一语义挖掘组件获取结构配件故障语义矩集，其中，所述结构配件故障语义矩集包括X个结构配件故障语义矩；基于所述机械损伤状态数据集，通过所述卷积神经网络所包括的第二语义挖掘组件获取机械损伤语义矩集，其中，所述机械损伤语义矩集包括X个机械损伤语义矩；基于所述结构配件故障语义矩集以及所述机械损伤语义矩集，通过所述卷积神经网络所包括的故障维修决策组件获取所述结构配件故障状态数据所对应的维修决策标签；根据所述维修决策标签确定所述结构配件故障状态数据集的无人机故障维修方案。
可以理解，在无人机故障维修指令和二元组数据均对应结构配件故障类别时，可以通过对二元组数据进行结构配件故障状态数据以及机械损伤状态数据的分析挖掘，并利用卷积神经网络所包括的多个网络组件联合确定结构配件故障状态数据所对应的维修决策标签，以便通过维修决策标签准确且有针对性地确定无人机故障维修方案。
进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述示例性描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
Claims (10)
1.一种应用机器学习的无人机故障数据分析方法，其特征在于，应用于人工智能服务器，所述方法包括：
获得无人机故障分析任务的故障状态文本记录和故障分析辅助向量集，其中，所述故障分析辅助向量集的全局热力图谱为目标全局热力图谱，所述故障分析辅助向量集包括最少一个故障分析辅助向量；
对所述故障状态文本记录进行文本语义挖掘，得到所述故障状态文本记录的故障状态文本语义数据；
对所述最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据；
依据所述最少一个故障类别描述变量数据，对所述故障状态文本语义数据进行故障类别分析处理，得到所述故障状态文本语义数据的故障类别分析观点；
依据所述故障状态文本语义数据，对所述最少一个故障分析辅助向量进行热力图谱生成处理，得到关于所述故障状态文本语义数据的热力图谱生成结果；
依据所述故障类别分析观点和所述热力图谱生成结果，对所述无人机故障分析任务进行故障类别定位。
2.根据权利要求1所述的方法，其特征在于，所述依据所述故障状态文本语义数据，对所述最少一个故障分析辅助向量进行热力图谱生成处理，得到关于所述故障状态文本语义数据的热力图谱生成结果，包括：
对所述最少一个故障分析辅助向量进行变化特征挖掘，得到每个故障分析辅助向量的变化特征信息；
依据所述故障状态文本语义数据，将所述每个故障分析辅助向量的变化特征信息进行优化处理，得到每个故障分析辅助向量的变化特征优化结果；
依据所述每个故障分析辅助向量的变化特征优化结果，确定所述热力图谱生成结果。
3.根据权利要求2所述的方法，其特征在于，所述依据所述每个故障分析辅助向量的变化特征优化结果，确定所述热力图谱生成结果，包括：
依据所述每个故障分析辅助向量的变化特征优化结果，对所述故障状态文本语义数据进行热力图谱识别，得到所述故障状态文本语义数据的文本语义热力图谱；
确定所述文本语义热力图谱和所述目标全局热力图谱之间的热力图谱共性值；
将所述热力图谱共性值和设定热力解析指示进行比对，得到所述热力图谱生成结果。
4.根据权利要求1所述的方法，其特征在于，所述依据所述最少一个故障类别描述变量数据，对所述故障状态文本语义数据进行故障类别分析处理，得到所述故障状态文本语义数据的故障类别分析观点，包括：
将所述最少一个故障类别描述变量数据和所述故障状态文本语义数据进行共性度量运算，得到每个故障类别描述变量数据和所述故障状态文本语义数据之间的语义描述共性度量；
依据设定故障类别分析要求，对所述语义描述共性度量进行权衡数据转换处理，得到所述语义描述共性度量对应的目标权衡数据；
将所述目标权衡数据和设定决策数据进行比对，得到所述故障类别分析观点。
5.根据权利要求1所述的方法，其特征在于，所述对所述故障状态文本记录进行文本语义挖掘，得到所述故障状态文本记录的故障状态文本语义数据，包括：
对所述故障状态文本记录进行文本单元提取，得到所述故障状态文本记录的文本单元数据；
对所述文本单元数据进行可逆操作，得到所述故障状态文本记录的可逆特征数据；
对所述可逆特征数据进行区间数值映射处理，得到所述故障状态文本记录的区间数值映射数据；
对所述区间数值映射数据进行特征投影，得到所述故障状态文本记录的故障状态文本语义数据。
6.根据权利要求1所述的方法，其特征在于，所述对所述最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据，包括：
对所述故障分析辅助向量进行特征整合处理，得到所述故障分析辅助向量对应的特征整合数据；
依据所述特征整合数据，对所述故障分析辅助向量进行归纳区分处理，得到所述故障分析辅助向量对应的归纳区分结果；
依据所述归纳区分结果，将所述故障分析辅助向量投影至设定故障类别描述坐标系中，得到所述故障类别描述变量数据。
7.根据权利要求1所述的方法，其特征在于，所述对所述故障状态文本记录进行文本语义挖掘，得到所述故障状态文本记录的故障状态文本语义数据，包括：通过设定文本语义挖掘网络，对所述故障状态文本记录进行文本语义挖掘，得到所述故障状态文本记录的故障状态文本语义数据；
所述对所述最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据，包括：通过设定类别描述输出网络，对所述最少一个故障分析辅助向量进行故障类别描述变换，得到最少一个故障类别描述变量数据；
依据所述最少一个故障类别描述变量数据，对所述故障状态文本语义数据进行故障类别分析处理，得到所述故障状态文本语义数据的故障类别分析观点，包括：依据所述最少一个故障类别描述变量数据，通过设定类别分析组件，对所述故障状态文本语义数据进行故障类别分析处理，得到所述故障状态文本语义数据的故障类别分析观点；
依据所述故障状态文本语义数据，对所述最少一个故障分析辅助向量进行热力图谱生成处理，得到关于所述故障状态文本语义数据的热力图谱生成结果，包括：依据所述故障状态文本语义数据，通过设定热力图谱生成组件，对所述最少一个故障分析辅助向量进行热力图谱生成处理，得到关于所述故障状态文本语义数据的热力图谱生成结果；
其中，所述方法还包括：获得拟调试文本语义挖掘网络和拟调试类别描述输出网络；采集若干个故障状态文本调试示例和全局热力图谱满足目标全局热力图谱的已认证故障分析辅助向量集，所述已认证故障分析辅助向量集包括若干个先验故障分析辅助向量；通过所述若干个故障状态文本调试示例和所述若干个先验故障分析辅助向量，对所述拟调试文本语义挖掘网络和所述拟调试类别描述输出网络进行调试，得到所述设定文本语义挖掘网络和所述设定类别描述输出网络；
其中，所述通过所述若干个故障状态文本调试示例和所述若干个先验故障分析辅助向量，对所述拟调试文本语义挖掘网络和所述拟调试类别描述输出网络进行调试，得到所述设定文本语义挖掘网络和所述设定类别描述输出网络，包括：通过所述拟调试文本语义挖掘网络对所述故障状态文本调试示例进行文本语义挖掘，得到所述故障状态文本调试示例的故障状态文本语义学习数据；通过所述拟调试类别描述输出网络对所述先验故障分析辅助向量进行故障类别描述变换，得到故障类别描述学习变量数据；依据所述故障类别描述学习变量数据和先验故障分析辅助向量，确定所述故障状态文本语义学习数据对应的文本语义调试代价和热力图谱调试代价；依据所述文本语义调试代价对所述拟调试文本语义挖掘网络的模型配置变量进行改进，得到所述设定文本语义挖掘网络，以及依据所述热力图谱调试代价，对所述拟调试类别描述输出网络的模型配置变量进行改进，得到所述设定类别描述输出网络；
其中，所述依据所述故障类别描述学习变量数据和先验故障分析辅助向量，确定所述故障状态文本语义学习数据对应的文本语义调试代价和热力图谱调试代价，包括：通过设定类别分析组件，确定所述故障状态文本语义学习数据和所述故障类别描述学习变量数据之间的文本语义调试代价；通过设定热力图谱生成组件，确定所述故障状态文本语义学习数据和先验故障分析辅助向量之间的热力图谱调试代价。
8.根据权利要求1所述的方法，其特征在于，所述获得无人机故障分析任务的故障状态文本记录之前，包括：
响应于故障类别定位申请；
依据所述故障类别定位申请，采集包括无人机故障分析任务的分析报告的原始无人机运行数据集；
根据所述原始无人机运行数据集确定最少一个原始故障检测数据集；
对所述最少一个原始故障检测数据集进行故障状态文本识别，得到识别结果；
依据所述识别结果在所述最少一个原始故障检测数据集中确定所述故障状态文本记录；
其中，所述依据所述识别结果在所述最少一个原始故障检测数据集中确定所述故障状态文本记录，包括：
依据所述识别结果，对所述最少一个原始故障检测数据集进行故障类别分析，得到故障类别分析观点；
依据所述故障类别分析观点，在所述最少一个原始故障检测数据集中提取出待处理故障状态文本记录；
对所述待处理故障状态文本记录进行故障标签匹配，得到所述待处理故障状态文本记录中最少一个故障表征文本块的相对分布特征；
依据所述故障表征文本块的相对分布特征，从所述最少一个故障表征文本块中提取出目标故障表征文本块；
依据所述目标故障表征文本块的相对分布特征，生成所述故障状态文本记录。
9.一种人工智能服务器，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时实现上述权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310839471.0A CN116560894B (zh) | 2023-07-10 | 2023-07-10 | 应用机器学习的无人机故障数据分析方法、服务器及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310839471.0A CN116560894B (zh) | 2023-07-10 | 2023-07-10 | 应用机器学习的无人机故障数据分析方法、服务器及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116560894A true CN116560894A (zh) | 2023-08-08 |
| CN116560894B CN116560894B (zh) | 2023-09-01 |
Family
ID=87495109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310839471.0A Active CN116560894B (zh) | 2023-07-10 | 2023-07-10 | 应用机器学习的无人机故障数据分析方法、服务器及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116560894B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177590A (zh) * | 2019-12-06 | 2020-05-19 | 国网浙江省电力有限公司丽水供电公司 | 一种基于停电热力图的故障区块可视化系统及方法 |
| CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
| CN112579789A (zh) * | 2020-12-04 | 2021-03-30 | 珠海格力电器股份有限公司 | 一种设备故障诊断的方法和装置及设备 |
| CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
-
2023
- 2023-07-10 CN CN202310839471.0A patent/CN116560894B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177590A (zh) * | 2019-12-06 | 2020-05-19 | 国网浙江省电力有限公司丽水供电公司 | 一种基于停电热力图的故障区块可视化系统及方法 |
| CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
| CN112579789A (zh) * | 2020-12-04 | 2021-03-30 | 珠海格力电器股份有限公司 | 一种设备故障诊断的方法和装置及设备 |
| CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
Non-Patent Citations (1)
| Title |
|---|
| 林海香 等: "基于文本挖掘的铁路信号设备故障自动分类方法", 云南大学学报（ 自然科学版）, pages 281 - 289 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116560894B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522221B (zh) | 一种提高模糊测试效率的方法和系统 | |
| CN111723728A (zh) | 基于双向交互网络的行人搜索方法、系统、装置 | |
| CN112785015B (zh) | 基于案例推理的装备故障诊断方法 | |
| CN114227717B (zh) | 基于巡检机器人的智能巡检方法、装置、设备及存储介质 | |
| CN115048370B (zh) | 用于大数据清洗的人工智能处理方法及大数据清洗系统 | |
| CN116304909A (zh) | 一种异常检测模型训练方法、故障场景定位方法及装置 | |
| CN112561960A (zh) | 一种基于轨迹相似性度量学习的多目标跟踪重定位方法 | |
| CN113722719A (zh) | 针对安全拦截大数据分析的信息生成方法及人工智能系统 | |
| CN114708518A (zh) | 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法 | |
| CN115168868A (zh) | 一种应用于人工智能的业务漏洞分析方法及服务器 | |
| CN117705059B (zh) | 一种自然资源遥感测绘影像定位方法及系统 | |
| CN113449676B (zh) | 一种基于双路互促进解纠缠学习的行人重识别方法 | |
| CN112598666B (zh) | 一种基于卷积神经网络的电缆隧道异常检测方法 | |
| CN116977834B (zh) | 一种开放条件下分布内外图像识别方法 | |
| CN116560894B (zh) | 应用机器学习的无人机故障数据分析方法、服务器及介质 | |
| CN117949209A (zh) | 基于包络谱的零样本滚动轴承复合故障诊断系统及方法 | |
| Yang | Continuous epoch distance integration for unsupervised person Re-identification | |
| CN115797804A (zh) | 一种基于不平衡时序航空飞行数据的异常检测方法 | |
| CN115456481A (zh) | 应用于企业管理的考勤数据处理方法及考勤服务器 | |
| CN114842261A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN117554751B (zh) | 基于人工智能的电力系统故障诊断系统 | |
| CN110555338A (zh) | 对象识别方法和装置、神经网络生成方法和装置 | |
| CN116434092B (zh) | 基于无人机航测的图像信息分析方法及ai服务器 | |
| CN115802355B (zh) | 一种移动物联网卡管理方法、装置及云平台 | |
| CN114998747B (zh) | 一种基于深度学习模板匹配的长航迹实时识别方法 |
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 |