CN117892182A - 基于人工智能的索具耐用性测试方法及装置 - Google Patents
基于人工智能的索具耐用性测试方法及装置 Download PDFInfo
- Publication number
- CN117892182A CN117892182A CN202410288866.0A CN202410288866A CN117892182A CN 117892182 A CN117892182 A CN 117892182A CN 202410288866 A CN202410288866 A CN 202410288866A CN 117892182 A CN117892182 A CN 117892182A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- sample set
- preset
- attribute data
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 122
- 238000012545 processing Methods 0.000 claims abstract description 77
- 239000013598 vector Substances 0.000 claims abstract description 72
- 238000009826 distribution Methods 0.000 claims abstract description 67
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 20
- 238000011478 gradient descent method Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 84
- 238000013528 artificial neural network Methods 0.000 claims description 68
- 238000000605 extraction Methods 0.000 claims description 67
- 230000006870 function Effects 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 230000009467 reduction Effects 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 241000283153 Cetacea Species 0.000 claims description 18
- 230000009977 dual effect Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000002096 quantum dot Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 206010017076 Fracture Diseases 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010034156 Pathological fracture Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于人工智能的索具耐用性测试方法及装置,涉及数据处理技术领域,包括:获取目标索具的属性数据,将其组装成目标索具的属性数据向量,通过数据处理模型输出属性数据向量对应的耐用性特征;通过预先训练好的分类器模型对耐用性特征进行分类,根据对应的分类结果对目标索具进行耐用性分析。其中,数据处理模型通过预设的分位数梯度下降方法进行优化,还通过蒙特卡洛方法估计属性数据向量对应的潜在空间的分布,能够确定有价值的数据,对未知数据的预测更为准确。且,利用量子态进行数据扩充构建训练样本集,能够提升样本的多样性和质量,并提高分类任务的准确性,实现更高效、更准确的索具耐用性测试。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于人工智能的索具耐用性测试方法及装置。
背景技术
索具作为各种工业、运输、建筑和海洋活动中不可或缺的部分,其安全性和可靠性直接关系到操作安全和设备完整性。传统上,索具的耐用性测试依赖于物理检查和定期测试,这些方法往往耗时且成本高昂,并且在某些情况下可能无法准确预测索具的实际耐用性。随着技术的发展和需求的增加,寻求更高效、更准确的测试方法成为了行业的迫切需求。
在过去的几十年里,随着传感器技术和数据采集能力的提升,收集关于索具使用状况的实时数据变得可行。这些数据包括索具在各种气候条件下的使用数据、负载数据以及磨损数据等。然而,单纯的数据收集并不能完全解决问题,因为数据的处理和分析同样具有挑战性。如何从大量复杂的数据中提取有价值的信息,并据此评估索具的耐用性,是一个技术难题。
此外,传统的数据处理方法在处理大规模和高维度数据时面临着效率和准确度的双重挑战。例如,机器学习模型在训练样本不足的情况下容易过拟合,而现有的样本扩充技术又往往无法充分捕捉复杂数据的特性,导致生成的样本缺乏多样性和真实性。这限制了模型的泛化能力,降低了其在实际应用中的准确性和可靠性。
发明内容
有鉴于此,本发明的目的在于提供一种基于人工智能的索具耐用性测试方法及装置,能够从大量复杂的数据中提取有价值的信息,并提高在实际应用中的准确性和可靠性,以实现更高效、更准确的索具耐用性测试。
第一方面,本发明实施例提供了一种基于人工智能的索具耐用性测试方法,该方法包括:获取目标索具的属性数据;属性数据至少包括使用环境数据、负载数据和磨损数据;对属性数据进行组装,生成目标索具的属性数据向量;将属性数据向量输入至预先构建的数据处理模型中,通过数据处理模型输出属性数据向量对应的耐用性特征;耐用性特征用于表征目标索具的耐用性能;其中,数据处理模型基于预设的训练样本集训练,训练样本集中的训练样本包括索具样本数据和对应的样本标签,样本标签用于指示索具样本数据对应的程度,且,训练样本集是利用量子态对原始样本进行数据扩充后构建的;且,通过预设的分位数梯度下降方法进行优化,以确定属性数据向量中的第一目标特征,第一目标特征用于指示属性数据向量中的非线性关系和潜在的异常模式;数据处理模型还通过蒙特卡洛方法估计属性数据向量对应的潜在空间的分布,以捕捉和表示属性数据向量的内在结构;通过预先训练好的分类器模型对耐用性特征进行分类,输出分类结果;其中,用于训练分类器模型的训练样本集通过数据处理模型进行数据处理;根据分类结果对目标索具进行耐用性分析。
第二方面,本发明实施例提供了一种基于人工智能的索具耐用性测试装置,该装置包括:数据获取模块,用于获取目标索具的属性数据;属性数据至少包括使用环境数据、负载数据和磨损数据;数据处理模块,用于对属性数据进行组装,生成目标索具的属性数据向量;执行模块,用于将属性数据向量输入至预先构建的数据处理模型中,通过数据处理模型输出属性数据向量对应的耐用性特征;耐用性特征用于表征目标索具的耐用性能;其中,数据处理模型基于预设的训练样本集训练,训练样本集中的训练样本包括索具样本数据和对应的样本标签,样本标签用于指示索具样本数据对应的程度,且,训练样本集是利用量子态对原始样本进行数据扩充后构建的;且,通过预设的分位数梯度下降方法进行优化,以确定属性数据向量中的第一目标特征,第一目标特征用于指示属性数据向量中的非线性关系和潜在的异常模式;数据处理模型还通过蒙特卡洛方法估计属性数据向量对应的潜在空间的分布,以捕捉和表示属性数据向量的内在结构;分类模块,用于通过预先训练好的分类器模型对耐用性特征进行分类,输出分类结果;其中,用于训练分类器模型的训练样本集通过数据处理模型进行数据处理;输出模块,用于根据分类结果对目标索具进行耐用性分析。
本发明实施例包括以下有益效果:本发明实施例提供一种基于人工智能的索具耐用性测试方法及装置,通过预先构建的数据处理模型对目标索具对应的属性数据向量进行数据处理,得到耐用性特征后,由预先训练好的分类器模型对该耐用性特征进行分类,并根据分类结果对目标索具进行耐用性分析。其中,数据处理模型通过预设的分位数梯度下降方法进行优化,能够提取出属性数据向量中的非线性关系和潜在的异常模式;并且,通过蒙特卡洛方法估计属性数据向量对应的潜在空间的分布,能够捕捉和表示属性数据向量的内在结构,进而能够更好地适应新数据,增强其泛化能力,对未知数据的预测更为准确。
而且,训练数据处理模型的训练样本集利用量子态对原始样本进行数据扩充后构建,该数据扩充方法能够在高维空间中探索数据的潜在分布,从而生成更加多样和真实的样本,提升样本的多样性和质量。这对于训练更加健壮和准确的机器学习模型至关重要,有助于提高模型的泛化能力。并且,训练分类器模型的训练样本集是通过数据处理模型进行处理的,能够提高分类任务的准确性。综上,本发明实施例能够实现更高效、更准确的索具耐用性测试。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。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具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种基于人工智能的索具耐用性测试方法的流程图;
图2为本发明实施例提供的另一种基于人工智能的索具耐用性测试方法的流程图;
图3为本发明实施例提供的一种基于人工智能的索具耐用性测试装置的结构示意图;
图4为本发明实施例提供的另一种基于人工智能的索具耐用性测试装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
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,以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践方面。
机器学习是人工智能的一个子领域,它赋予计算机系统通过经验学习并改善其性能的能力,而不需要明确编程。这意味着机器学习模型能够自动识别数据中的模式和规律,并使用这些知识来做出决策或预测。下面是与本发明相关的机器学习的一些技术资料:
数据驱动:机器学习依赖大量数据来训练模型。数据可以是标记过的(监督学习),未标记的(无监督学习),或者是通过与环境的交互获得的(强化学习)。
模型:在机器学习中,模型是对现实世界问题的数学表示,它们能够从数据中学习。常见的模型包括决策树、神经网络、支持向量机等。
学习算法:学习算法定义了模型如何被调整或“学习”。算法在数据上运行,根据模型的表现进行优化,例如,通过最小化预测和实际结果之间的差异。
评价:模型的性能需要通过某种形式的评价来衡量。这通常涉及到将数据分为训练集和测试集,其中训练集用于学习,而测试集用于评估模型泛化到未见数据的能力。
过拟合与欠拟合:过拟合是指模型在训练数据上表现很好,但无法泛化到新数据上。欠拟合是指模型没有足够地学习数据的特征,无法有效地进行预测。
监督学习:这种类型的机器学习涉及使用一组标记的样本来训练模型,即输入数据与预期输出配对。常见的监督学习任务包括分类和回归。
其中,本发明实施例提供的一种基于人工智能的索具耐用性测试方法及装置,能够从大量复杂的数据中提取有价值的信息,据此评估索具的耐用性,提高在实际应用中的准确性和可靠性。
为便于对本实施例进行理解,首先对本发明的实施例所公开的一种基于人工智能的索具耐用性测试方法进行详细介绍,图1示出了本发明实施例提供的一种基于人工智能的索具耐用性测试方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取目标索具的属性数据。
步骤S104,对属性数据进行组装,生成目标索具的属性数据向量。
在具体实现时,对目标索具的属性数据进行采集,属性数据至少包括使用环境数据、负载数据和磨损数据。并对采集的属性数据进行组装,生成目标索具的属性数据向量。具体的,本发明的数据主要来源于实际索具的使用环境,包括但不限于各种气候条件下的使用数据、负载数据以及索具的磨损数据。数据的获取方式为,采用传感器收集索具的实时使用数据,如温度、湿度、负载压力等。此外,还包括定期对索具的物理检查数据,如磨损程度、断裂测试等。在一个实施例中,数据包括如下属性::使用时间(小时);/>:环境温度(摄氏度);/>:环境湿度(%);/>:负载压力(牛顿);/>:索具长度(米);/>:索具直径(毫米);:索具材质类型(编码);/>:索具颜色变化(编码);/>:索具表面磨损程度(编码);/>:索具内部纤维断裂情况(编码)。
步骤S106,将属性数据向量输入至预先构建的数据处理模型中,通过数据处理模型输出属性数据向量对应的耐用性特征。
进一步地,通过预先构建的数据处理模型对属性数据向量进行处理,输出属性数据向量对应的耐用性特征,以从大量复杂的数据中提取有价值的信息,并据此评估索具的耐用性。其中,本发明实施例的耐用性特征用于表征目标索具的耐用性能。
具体的,数据处理模型通过预设的分位数梯度下降方法进行优化,以确定属性数据向量中的第一目标特征,第一目标特征用于指示属性数据向量中的非线性关系和潜在的异常模式。分位数梯度下降算法考虑数据的整体分布,能够区分细微的差异,从而更好地捕获数据中的异常模式和关键特性。
此外,数据处理模型还通过蒙特卡洛方法估计属性数据向量对应的潜在空间的分布,蒙特卡洛方法也称统计模拟法、统计试验法。是把概率现象作为研究对象的数值模拟方法,是按抽样调查法求取统计值来推定未知特性量的计算方法。在工作过程中需要产生各种概率分布的随机变量,并且采样次数不受系统规模限制。从而能够估计属性数据向量对应的潜在空间的分布,以捕捉和表示属性数据向量的内在结构。基于此,能够提取出属性数据向量中表征目标索具的耐用性能的有价值的信息。
其中,数据处理模型基于预设的训练样本集训练,训练样本集中的训练样本包括索具样本数据和对应的样本标签,样本标签用于指示索具样本数据对应的程度,且,训练样本集是利用量子态对原始样本进行数据扩充后构建的。量子态不仅包含了系统所有的信息,而且能够描述粒子在微观尺度上的特定状态,基于此,能够在高维空间中探索数据的潜在分布,从而生成更加多样和真实的样本。而通过该方式构建训练样本集后对数据处理模型进行训练,有助于提高模型的泛化能力。
步骤S108,通过预先训练好的分类器模型对耐用性特征进行分类,输出分类结果。
步骤S110,根据分类结果对目标索具进行耐用性分析。
通过上述数据处理模型对属性数据向量进行处理后得到有价值的耐用性特征,再通过预先训练好的分类器模型对该耐用性特征进行分类,得到相应的分类结果。其中,用于训练分类器模型的训练样本集通过数据处理模型进行数据处理,该数据处理模型可以增强训练样本的质量,提高分类任务的准确性。上述分类结果基于其训练样本集的样本标签确定,在一个实施例中,输出的类别包括:正常(对应标签“0”)、轻微磨损(对应标签“1”)、中度磨损(对应标签“2”)、重度磨损(对应标签“3”)和即将断裂(对应标签“4”)。之后,根据该分类结果分析该目标索具的耐用性。
进一步地,现有技术还存在下述缺陷:1、传统的数据扩充技术可能无法有效地处理高维度数据,导致生成的样本缺乏多样性和真实性,限制了模型训练的有效性,降低了其泛化能力。2、在处理复杂数据(如索具的使用数据)时,传统的特征提取和降维技术可能无法充分捕捉关键信息,导致在后续分析和模型训练中丢失重要细节。3、现有的分类算法可能在精确度和效率方面存在限制,特别是在处理大规模或高复杂度的数据时,可能导致分类结果不够精确,影响整个耐用性测试的准确性和可靠性。4、统模型可能在处理新数据或变化条件下的适应性和泛化能力方面存在不足,导致模型在实际应用中的性能下降。
因此,在上述实施例的基础上,本发明实施例还提供了另一种基于人工智能的索具耐用性测试方法,其中,本发明实施例的数据处理模型包括预先构建的特征提取模型和预先构建的降维模型,对应的,通过预设的分位数梯度下降方法对模型进行优化,以构建特征提取模型;并通过蒙特卡洛方法估计数据的潜在空间的分布,以构建降维模型。其中,为了解决上述问题,本发明实施例包括以下改进:1、基于量子编码的生成对抗网络通过将输入数据编码为量子态,使得生成器能在一个高维度的量子空间中进行样本生成,增加了生成样本的多样性和质量,有助于提高模型的泛化能力。2采用、分位数梯度下降神经网络针对索具数据的特异性分布进行优化,能够有效捕捉数据中的非线性关系和潜在异常模式,增强了模型对复杂数据特征的识别能力。3、基于蒙特卡洛方法的自编码神经网络结合流形学习,提高了特征降维过程的准确性和鲁棒性,更好地捕获和表达数据的内在结构。4、基于对偶加速鲸鱼优化算法的神经网络分类器通过模仿鲸鱼捕食行为的算法,加快了全局搜索速度和效率,同时结合二次规划优化分类器性能,提高了分类任务的准确度。图2示出了本发明实施例提供的另一种数据处理模型方法的流程图,如图2所示,该方法包括以下步骤:
步骤S202,获取目标索具的属性数据。
步骤S204,对属性数据进行组装,生成目标索具的属性数据向量。
步骤S206,通过预先构建的特征提取模型对属性数据向量进行特征提取,确定目标特征参数。
在具体实现时,本发明实施例的特征提取模型利用预设的分位数梯度下降方法针对数据的特异性分布对网络参数进行优化后构建。首先,获取预先构建的训练样本集和预设的特征提取神经网络。再初始化特征提取神经网络的网络参数;以及,对训练样本集进行数据预处理。之后,将预处理后的训练样本集输入至特征提取神经网络中,对该特征提取神经网络进行训练,以构建特征提取模型。其中,通过确定特征提取神经网络的初始提取结果对应的分位数损失,基于分位数损失和预设的分位数梯度下降方法对特征提取神经网络的网络参数进行更新。
A)具体地,通过下述步骤构建训练样本集:
本发明实施例通过预先构建的训练样本集训练预设的特征提取神经网络,从而构建特征提取模型。首先,通过获取预先采集的索具样本数据,对索具样本数据进行标注,生成样本标签,并基于样本标签和索具样本数据构建初始样本集。其中,上述索具样本数据包括索具在预设使用环境的实时使用数据和物理检查数据,具体参照上述实施例。数据标注通过人工标注的方式实现,在一个实施例中,标注的类别主要包括:正常、轻微磨损、中度磨损、重度磨损和即将断裂。
进一步地,可以理解的是,在本发明任务中,训练数据的采集获取、标注及预处理是耗时耗力的,且训练样本不足容易导致模型泛化能力差,同时影响模型的精度。其中,可以使用传统的数据扩充技术,如旋转、翻转、缩放、噪声注入等进行数据扩充,以构建训练样本集。为了在锻造工艺数据上进行有效扩充,本发明实施例使用生成对抗网络进行数据扩充。传统的生成对抗网络包含两个主要部分:生成器(G)和判别器(D)。生成器负责生成尽可能接近真实数据的样本,判别器则尝试区分生成的样本和真实样本。本发明提出一种基于量子编码的生成对抗网络算法用于数据扩充,在生成对抗网络基础上引入量子编码,结合量子编码的概念和生成对抗网络的框架,使得生成器能在一个更高维度的量子空间中进行样本生成,提高生成样本的多样性和质量,并引入光滑近似技术,以提高数据扩充的效果。在具体实现时,将初始样本集编码为量子态,并通过预设的生成对抗网络利用量子态生成新的数据样本,并基于新的数据样本和初始样本集构建训练样本集。
具体地,通过将数据编码为量子态,本算法可以在高维空间中探索数据的潜在分布,从而生成更加多样和真实的样本。此外,通过引入光滑近似,本算法能够更有效地处理生成样本和真实样本之间的微小差异,降低训练过程中的波动,提高模型的稳定性和可靠性。在结构上,基于量子编码的生成对抗网络由以下几个部分组成:量子编码模块:将输入数据编码为量子态,为生成器提供高维度的输入。生成器:利用量子态生成新的数据样本。判别器:区分生成的数据样本和真实数据样本。光滑近似模块:用于平滑生成样本和真实样本之间的差异,减少训练过程中的震荡和不稳定性。具体的,基于量子编码的生成对抗网络算法的训练流程如下:
a、初始化:在训练开始之前,基于量子编码的生成对抗网络的生成器和判别器的参数被随机初始化。具体的,在初始化阶段,设定生成器(G)和判别器(D)的权重参数分别为和/>,这些参数在训练开始前被随机初始化:/>;/>;其中,表示均值为0,方差为/>的正态分布。
b、量子编码:将输入数据通过量子编码模块转换为量子态,也即,将经典数据转换为量子比特,从而在量子计算的框架内处理数据,确保数据的特征能够在量子状态下被有效地表达。在具体实现时,通过将初始样本集输入至预设的量子编码模块中,确定初始样本集对应的量子位状态,生成涉及量子位旋转和纠缠的复杂矩阵。再基于复杂矩阵和预设的噪声注入函数,将初始样本集转换为量子比特,以将初始样本集编码为编码态。
具体的,在量子编码阶段,输入数据被编码为量子态/>,量子编码可以用以下函数表示:
其中,是量子编码函数,将经典数据转换为量子比特。
进一步地,在量子编码阶段,量子编码函数可以进一步细分为量子态的构建过程。设量子编码是通过某种特定的变换/>实现的,则可以表示为:
其中,为噪声注入函数。/>是一个涉及量子位旋转和纠缠的复杂矩阵。具体的,如果/>是一个向量/>,则/>可以通过以下公式计算每个量子位的状态:
其中,表示围绕特定轴的旋转,依赖于输入数据/>的值。
进一步地,噪声注入函数采用自适应噪声注入机制,即,在样本生成过程中,根据当前网络状态和输出自动调节添加到生成样本中的噪声量,可以帮助生成器更好地探索数据的潜在分布,同时避免过度拟合到训练数据的特定特征。具体的,设在第次迭代时,噪声注入函数可以表示为/>,其中,/>是噪声水平,其根据网络的当前状态和历史输出动态调整,噪声水平的计算可以用以下公式表示:
其中,是噪声水平的最大值,/>是衰减系数,/>是判别器在第/>次迭代输出的方差,用于评估网络当前的稳定性。
c、通过预设的生成对抗网络利用量子态生成新的数据样本。
其中,该过程包括样本生成、样本鉴别和参数更新,并重复上述过程,直到达到预设的训练次数或模型性能标准。在每个周期中,生成器和判别器不断优化,以生成更逼真的样本。
c1)样本生成:生成器接收量子态作为输入,并生成新的数据样本。通过量子计算机进行,利用量子态的高维特性,可以探索出更加复杂和丰富的数据分布。具体的,生成器G使用量子态来生成新的数据样本/>,可以表示为:/>;其中,/>是生成器函数,/>是生成器的权重参数。进一步的,在具体的生成过程中,考虑一个基于量子态的深度神经网络模型,则/>可以表示为:
其中,是激活函数,/>是生成器的权重,/>是偏置项。
c2)样本鉴别:判别器D的任务是区分生成的样本和真实样本/>,判别器的输出和/>分别表示对于生成样本和真实样本的判别结果,可以表示为:
c3)参数更新:根据判别器的输出,通过反向传播算法更新生成器和判别器的参数。这个过程中,生成器学习如何生成更逼真的样本,判别器则学习如何更准确地区分真实和生成样本。具体的,利用反向传播算法,根据判别器的输出更新生成器和判别器的参数,参数更新可以表示为:
其中,和/>分别是生成器和判别器的损失函数,/>是学习率。在一个实施例中,将/>设置为0.001。
进一步地,利用损失函数和/>来更新参数,对于生成器的损失函数/>,可以表示为:
其中,是判别器对生成器输出的评估。
进一步地,本发明实施例在预设的生成对抗网络利用量子态生成新的数据样本的过程中,还对生成的数据样本进行光滑近似处理。其中,应用光滑近似模块平滑处理生成样本,减少训练中的波动。为了减少训练过程中的不稳定性和波动,引入光滑近似技术,有助于平滑处理生成样本,使其更加细腻,减少训练过程中可能出现的震荡现象。具体的,在光滑近似处理阶段,应用光滑近似函数来处理生成样本的方式可以表示为:
进一步地,光滑近似函数为一种平滑处理方式。在一个实施例中,考虑一个基于高斯滤波的平滑处理,则/>可以表示为:
其中,是高斯滤波器,/>是高斯滤波的标准差,用于控制平滑的程度。在一个实施例中,设置/>为2。综上,生成新的数据样本,并基于新的数据样本和初始样本集构建训练样本集,以构建特征提取模型。
B)初始化特征提取神经网络的网络参数;以及,对训练样本集进行数据预处理。
b1、本发明提出一种分位数梯度下降神经网络算法,用于高效地提取索具耐用性数据的关键特征。该网络利用分位数梯度下降方法,针对索具数据的特异性分布进行优化,有效地捕捉数据中的非线性关系和潜在的异常模式。此外,结合贝叶斯推断技术中的自动微分变分推断方法,用于估计模型的后验分布。在分位数梯度下降神经网络中,结合自动微分变分推断可实现更准确的不确定性估计,提高模型对新数据的适应性和泛化能力。
分位数梯度下降神经网络的网络参数(权重和偏置)需要被初始化,采用常规的神经网络参数初始化技术,以确保网络的有效训练。具体的,网络参数初始化时,权重初始化的方式可以表示为:
偏置初始化的方式可以表示为:
其中,代表网络层,/>和/>分别代表第/>层的输入和输出维度。initialize函数是一个根据输入和输出维度选择合适的初始化策略的函数,在一个实施例中为Xavier初始化方法。
进一步地,权重的初始化方式可以进一步表示为:
其中,random_normal表示从正态分布中随机采样,均值为0,标准差为。
在一个实施例中,分位数梯度下降神经网络有3层,每层的节点数分别设置为,/>。
b2、数据预处理:索具耐用性数据在输入到网络之前,需进行适当的预处理,具体的,数据预处理通过标准化处理表示为:
其中,为标准化前的数据,/>和/>分别是数据的均值和标准差。/>为标准化后的数据。其中,上述步骤用于构建特征提取模型,输入至预先构建的数据处理模型中的属性数据向量也可以进行预处理后由数据处理模型进行识别,以确定属性数据向量中的第一目标特征,以及捕捉和表示属性数据向量的内在结构。
C)将预处理后的训练样本集输入至特征提取神经网络中,以训练特征提取神经网络,包括:c1、将预处理后的训练样本集输入至特征提取神经网络中,输出初始提取结果。c2、确定初始提取结果对应的分位数损失,基于分位数损失和预设的分位数梯度下降方法对特征提取神经网络的网络参数进行更新,得到更新网络参数。c3、确定更新网络参数对应的近似后验分布,和近似后验分布对应的KL散度。c4、基于KL散度对特征提取神经网络进行后验分布优化,直到特征提取神经网络满足预设的迭代要求,基于特征提取神经网络构建特征提取模型。
具体地,在训练过程中,本发明实施例应用分位数梯度下降方法,针对索具数据的特异性分布进行优化,有效地捕捉数据中的非线性关系和潜在的异常模式。并结合贝叶斯推断技术中的自动微分变分推断,用于估计模型的后验分布,可实现更准确的不确定性估计,提高模型对新数据的适应性和泛化能力。
1)应用分位数梯度下降:在每个训练迭代中,分位数梯度下降神经网络利用分位数梯度下降算法更新网络参数。其中,通过最小化预测值与真实值之间的分位数损失,有助于模型捕捉到数据的不同分布特性。具体的,分位数梯度下降的更新规则可以表示为参数更新和分位数损失计算两个阶段,参数更新的方式可以表示为:
分位数损失计算的方式可以表示为:
其中,是分位数,/>是学习率,/>表示对应参数的梯度,/>是目标输出,是神经网络的预测输出。在一个实施例中,学习率/>被设置为0.001,分位数/>为0.5。分位数,亦称分位点,是指将一个随机变量的概率分布范围分为几个等份的数值点,基于分位数计算损失,能够区分数据的细微差异,以使模型捕捉到数据的不同分布特性。
进一步地,在分位数梯度下降中,梯度的计算可以详细表示为:
其中,是分位数损失函数/>相对于权重/>的偏导数,通过反向传播算法在每次迭代中计算得到。
2)自动微分变分推断:在网络训练的过程中,自动微分变分推断被用于优化网络的后验分布估计,使得模型能够捕捉到数据中的不确定性,并对其进行有效的推断。具体的,自动微分变分推断的更新规则中,后验分布优化的方式可以表示为:
其中,是参数/>的近似后验分布,/>表示Kullback-Leibler散度,用于衡量两个概率分布之间的差异。
进一步地,KL散度的具体计算可以表示为:
其中,KL散度通过比较近似后验分布和真实后验分布/>的差异,通过积分计算得到,用于指导近似分布的优化。
3)循环迭代与优化:上述步骤在多个训练周期内重复执行,直至模型达到预设的收敛标准或最大迭代次数。在每次迭代中,应用如学习率衰减、早停机制等优化策略,以提高模型的训练效率和防止过拟合。具体的,在多个训练周期内,上述步骤循环执行,其中学习率通过学习率衰减的方式进行调整,可以表示为:
其中,代表当前的训练周期数,decay是一个函数,根据训练进度调整学习率。
综上,通过上述方法构建特征提取模型,并由该特征提取模型对属性数据向量进行特征提取,确定属性数据向量中的第一目标特征,该第一目标特征是由特征提取模型基于数据的不同分布特性提取得到,有助于提高分类任务的准确性。
步骤S208,将目标特征参数输入至预先构建的降维模型中,输出耐用性特征。
本发明实施例的降维模型通过预设的蒙特卡洛方法估计数据的潜在空间分布后,基于空间分布优化网络参数构建。其中,通过将预设的训练样本集输入至降维模型中进行模型的训练,本发明采用基于蒙特卡洛方法的自编码神经网络,同时结合流形学习的改进,以更有效地处理复杂的索具数据。其中,可以将上述特征提取模型对其训练样本集特征提取后的数据作为降维模型的训练样本集。
传统的自编码器由编码器(Encoder)和解码器(Decoder)两部分组成。编码器将高维输入数据转换为低维潜在表示,解码器则将这种潜在表示还原为高维数据。本发明的基于蒙特卡洛方法的自编码神经网络在这一基础上引入了蒙特卡洛方法,蒙特卡洛方法它被用来估计自编码器潜在空间的分布,提高特征降维的准确性和鲁棒性,以更好地捕获和表示数据的内在结构。此外,本发明结合流形学习探索和分析高维数据内在几何结构,帮助模型更好地理解和保留数据的局部和全局结构,尤其是在处理复杂的索具数据时。其中,通过下述步骤构建降维模型。
1)获取预设的训练样本集,将训练样本集输入至预设的自编码器中,对训练样本集进行前向传播。
首先,对编码器和解码器的网络参数初始化。编码器权重和偏置的初始化的方式可以表示为:
其中,和/>分别是编码器第/>层的权重和偏置,/>和/>分别代表输入和输出的维度。
解码器权重和偏置的初始化的方式可以表示为:
/>
其中,和/>分别是解码器第/>层的权重和偏置。
在一个实施例中,权重初始化公式可以表示为:
其中,同样从标准正态分布中随机抽样。
进一步地,进行前向传播:输入数据通过编码器获得低维潜在表示,然后通过解码器重构为高维数据。
具体的,编码器的前向传播的方式可以表示为:
其中,是输入数据,/>是编码器的输出,即潜在特征表示,/>是编码器的前向传播函数。
解码器的前向传播方式可以表示为:
其中,是解码器重构的输出,/>是解码器的前向传播函数。
其中,本发明实施例的自编码器基于流行学习对训练样本集进行前向传播。在每次迭代中,利用流形学习技术来保证潜在空间的结构与原始数据空间的结构相对应,确保数据的内在关系得到有效保留。具体的,在训练过程中整合流形学习以保持数据的内在结构的方式可以表示为:
其中,是流形学习的函数,用于调整潜在空间中的数据表示,以更好地反映原始数据的结构。
2)通过预设的蒙特卡洛抽样估计前向传播对应的空间分布,基于空间分布,计算损失函数。
蒙特卡洛抽样:在潜在空间进行随机抽样,估计数据分布。具体的,蒙特卡洛抽样估计潜在空间分布的方式可以表示为:
其中,是基于蒙特卡洛方法的抽样函数,/>是抽样次数。
在一个实施例中,蒙特卡洛抽样的具体计算可以表示为:
其中,是从标准正态分布中抽取的随机样本,/>是/>的方差。
损失函数计算:结合重构误差和潜在空间分布的误差来计算总损失。具体的,结合重构误差和潜在空间分布误差计算总损失的方式可以表示为:
其中,和/>是用于平衡不同损失项的权重,/>计算输入数据和重构数据之间的差异,/>计算潜在空间分布的误差。在一个实施例中,设置/>和/>。
在一个实施例中,重构损失的具体计算可以表示为:
其中,是样本数量,/>表示欧几里得距离。
潜在空间分布误差的计算可以表示为:
其中,表示/>的标准化版本,/>表示Kullback-Leibler散度。
3)根据损失函数进行反向传播,并优化自编码器的网络参数;直到满足预设的迭代要求,基于自编码器构建降维模型。
具体的,对损失函数进行反向传播并优化网络参数的方式可以表示为:
其中,是基于梯度下降的优化函数,/>是损失函数的梯度。进一步地,重复上述步骤,直至达到预定的迭代次数或模型性能稳定。
进一步地,本发明实施例还使用预设的验证数据集评估模型的降维效果和重构质量,确保降维过程中没有丢失关键信息。在一个实施例中,基于蒙特卡洛方法的自编码神经网络的输出是一个低维表示,本实施例降维到10维,因此/>的维度为/>。
通过上述步骤构建降维模型,并由该降维模型对属性数据向量进行降维处理,以捕捉和表示属性数据向量的内在结构。在一个实施方式中,降维模型的输入是上述特征提取模型的输出,也即上述第一目标特征。进一步地,也可以先通过降维模型对属性数据向量处理后再由特征提取模型进行特征提取,以确定耐用性特征。
步骤S210,通过预先训练好的分类器模型对耐用性特征进行分类,输出分类结果。
本发明实施例通过预设的训练样本集训练分类器模型,并通过训练好的分类器模型对耐用性特征进行分类,以根据相应分类结果对目标索具进行耐用性分析。其中,用于训练所述分类器模型的训练样本集通过数据处理模型进行数据处理。即,可以通过上述特征提取模型对其训练样本集进行特征提取,并由上述降维模型对提取的数据进行数据降维后,将降维后的数据输入到分类器中进行训练,构建分类器模型。
本发明采用基于对偶加速鲸鱼优化算法的神经网络分类器,以提高索具耐用性测试数据分类的精度和效率。基于对偶加速鲸鱼优化算法是一种基于鲸鱼优化算法的改进版,引入对偶加速机制,加快了全局搜索的速度和效率,模仿鲸鱼捕食的行为,通过模拟鲸鱼的围捕行为来调整算法的搜索方向和范围。此外,本发明为了进一步优化分类器的性能,本发明在基于对偶加速鲸鱼优化算法基础上加入了二次规划的元素,用于精细调整网络权重和偏置。二次规划能够有效地处理参数间的非线性关系,提高分类器的准确度。具体地,通过下述步骤训练分类器模型:
1)获取预设的训练样本集,将训练样本集输入至预设的分类器神经网络中,输出分类预测结果。
首先,初始化网络参数:根据神经网络结构,初始化权重和偏置。具体的,权重和偏置/>的初始化方式可以表示为:
其中,和/>分别表示第/>层的权重和偏置,初始化为正态分布随机值和零向量。在一个实施例中,分类器神经网络包含两个隐藏层,每层有100个神经元。
进一步的,进行前向传播,确定分类预测结果:输入数据经过神经网络,产生分类预测。具体的,网络的前向传播函数可以表示为:
损失函数可以表示为:
其中,是输入数据,/>是预测结果,/>是真实标签,/>是交叉熵损失函数。
2)使用基于对偶加速鲸鱼优化算法根据分类预测结果和实际标签调整分类器神经网络的网络参数,以减小分类误差。在具体实现时,基于分类器神经网络的当前网络参数、学习率参数和对应于网络参数的损失函数梯度,计算对偶加速参数;基于对偶加速参数和预设的鲸鱼优化算法对分类器神经网络的网络参数进行调整,得到优化后的网络参数。
具体的,对偶加速步骤可以表示为:
鲸鱼优化步骤可以表示为:
其中,和/>是学习率参数,/>是损失函数相对于权重的梯度,/>生成随机数,/>是当前最优权重。在一个实施例中,设置学习率/>为0.01,调整因子/>s为0.5。
进一步地,损失函数梯度的具体计算可以表示为:
其中,损失函数的偏导数是通过自动微分技术计算得到。
3)利用二次规划对网络参数进一步调整。在基于对偶加速鲸鱼优化算法的基础上,进一步利用二次规划精细调整参数,优化网络性能。具体的,二次规划调整的方式可以表示为:
其中,表示二次规划的优化步骤,通过利用二次规划的方法细化并优化权重。
4)直到分类器神经网络满足预设的迭代要求,基于分类器神经网络构建分类器模型。其中,根据分类性能反馈,重复上述步骤,直至模型达到预定的性能标准或达到最大迭代次数。具体的,在迭代过程中,网络参数的更新方式可以表示为:
其中,是学习率,/>是损失函数相对于偏置的梯度。
步骤S212,根据分类结果对目标索具进行耐用性分析。
进一步地,通过上述步骤得到训练好的分类器模型,并由该分类器模型对得到的耐用性特征进行分类,以确定目标索具的属性数据向量对应的分类结果。
综上,本发明实施例提出的一种基于人工智能的索具耐用性测试方法,相较于现有技术在以下方面具有创新:1、引入量子编码概念至生成对抗网络中,创新地将数据编码为量子态,使得在高维量子空间中生成样本,提升样本的多样性和质量。2、采用分位数梯度下降方法对特定的索具数据进行特征提取,针对数据的特异性分布进行优化,捕捉数据中的非线性关系和异常模式。3、利用蒙特卡洛方法估计潜在空间分布,并结合流形学习改进特征降维,更好地保留数据的内在结构和关键信息。4、结合对偶加速机制和二次规划优化分类器性能,提高索具耐用性测试数据分类的精度和效率。
基于上述创新点,产生的技术效果如下:1、通过基于量子编码的生成对抗网络,本发明能够在高维量子空间中生成更加多样和真实的数据样本,这对于训练更加健壮和准确的机器学习模型至关重要。2、分位数梯度下降神经网络和基于蒙特卡洛方法的自编码器结合流形学习的应用,使得模型能够更有效地捕获和理解索具数据的关键特征和内在结构。3、通过自动微分变分推断和分位数梯度下降法,模型能够更好地适应新数据,增强其泛化能力,对未知数据的预测更为准确。4、基于对偶加速鲸鱼优化算法的神经网络分类器,结合二次规划的使用,显著提升了分类任务的速度和准确性,尤其是在处理大规模和复杂的数据集时。
进一步地,本发明实施例还提供了一种基于人工智能的索具耐用性测试装置,图3示出了本发明实施例提供的一种基于人工智能的索具耐用性测试装置的结构示意图,如图3所示,该装置包括:数据获取模块100,用于获取目标索具的属性数据;属性数据至少包括使用环境数据、负载数据和磨损数据;数据处理模块200,用于对属性数据进行组装,生成目标索具的属性数据向量;执行模块300,用于将属性数据向量输入至预先构建的数据处理模型中,通过数据处理模型输出属性数据向量对应的耐用性特征;耐用性特征用于表征目标索具的耐用性能;其中,数据处理模型基于预设的训练样本集训练,训练样本集中的训练样本包括索具样本数据和对应的样本标签,样本标签用于指示索具样本数据对应的程度,且,训练样本集是利用量子态对原始样本进行数据扩充后构建的;且,通过预设的分位数梯度下降方法进行优化,以确定属性数据向量中的第一目标特征,第一目标特征用于指示属性数据向量中的非线性关系和潜在的异常模式;数据处理模型还通过蒙特卡洛方法估计属性数据向量对应的潜在空间的分布,以捕捉和表示属性数据向量的内在结构;分类模块400,用于通过预先训练好的分类器模型对耐用性特征进行分类,输出分类结果;其中,用于训练分类器模型的训练样本集通过数据处理模型进行数据处理;输出模块500,用于根据分类结果对目标索具进行耐用性分析。
本发明实施例提供的一种基于人工智能的索具耐用性测试装置,与上述实施例提供的基于人工智能的索具耐用性测试方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
在上述实施例的基础上,本发明实施例还提供另一种基于人工智能的索具耐用性测试装置,其中,数据处理模型包括预先构建的特征提取模型和预先构建的降维模型;图4示出了本发明实施例提供的另一种基于人工智能的索具耐用性测试装置的结构示意图,如图4所示,上述执行模块300,还用于通过预先构建的特征提取模型对属性数据向量进行特征提取,确定目标特征参数;特征提取模型利用预设的分位数梯度下降方法针对数据的特异性分布对网络参数进行优化后构建;将目标特征参数输入至预先构建的降维模型中,输出耐用性特征;降维模型通过预设的蒙特卡洛方法估计数据的潜在空间分布后,基于空间分布优化网络参数构建。
上述执行模块300,还用于获取预先构建的训练样本集和预设的特征提取神经网络;初始化特征提取神经网络的网络参数;以及,对训练样本集进行数据预处理;将预处理后的训练样本集输入至特征提取神经网络中,输出初始提取结果;确定初始提取结果对应的分位数损失,基于分位数损失和预设的分位数梯度下降方法对特征提取神经网络的网络参数进行更新,得到更新网络参数;确定更新网络参数对应的近似后验分布,和近似后验分布对应的KL散度;基于KL散度对特征提取神经网络进行后验分布优化,直到特征提取神经网络满足预设的迭代要求,基于特征提取神经网络构建特征提取模型。
上述执行模块300,还用于获取预设的训练样本集;将训练样本集输入至预设的自编码器中,对训练样本集进行前向传播;自编码器基于流行学习对训练样本集进行前向传播;通过预设的蒙特卡洛抽样估计前向传播对应的空间分布,基于空间分布,计算损失函数;根据损失函数进行反向传播,并优化自编码器的网络参数;直到满足预设的迭代要求,基于自编码器构建降维模型。
上述分类模块400,还用于获取预设的训练样本集;将训练样本集输入至预设的分类器神经网络中,输出分类预测结果;使用基于对偶加速鲸鱼优化算法根据分类预测结果和实际标签调整分类器神经网络的网络参数,并利用二次规划对网络参数进一步调整;直到分类器神经网络满足预设的迭代要求,基于分类器神经网络构建分类器模型。
上述分类模块400,还用于基于分类器神经网络的当前网络参数、学习率参数和对应于网络参数的损失函数梯度,计算对偶加速参数;基于对偶加速参数和预设的鲸鱼优化算法对分类器神经网络的网络参数进行调整,得到优化后的网络参数。
进一步地,该装置还包括构建模块600,用于获取预先采集的索具样本数据;索具样本数据包括索具在预设使用环境的实时使用数据和物理检查数据;对索具样本数据进行标注,生成样本标签,并基于样本标签和索具样本数据构建初始样本集;将初始样本集编码为量子态,并通过预设的生成对抗网络利用量子态生成新的数据样本;基于新的数据样本和初始样本集构建训练样本集。
上述构建模块600,还用于将初始样本集输入至预设的量子编码模块中,确定初始样本集对应的量子位状态,生成涉及量子位旋转和纠缠的复杂矩阵;基于复杂矩阵和预设的噪声注入函数,将初始样本集转换为量子比特,以将初始样本集编码为编码态。
上述构建模块600,还用于在预设的生成对抗网络利用量子态生成新的数据样本的过程中对生成的数据样本进行光滑近似处理。
本发明实施例还提供一种电子设备,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,处理器执行计算机程序时实现上述图1至图2任一所示的方法的步骤。本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述图1至图2任一所示的方法的步骤。本发明实施例还提供了一种电子设备的结构示意图,如图5所示,为该电子设备的结构示意图,其中,该电子设备包括处理器51和存储器50,该存储器50存储有能够被该处理器51执行的计算机可执行指令,该处理器51执行该计算机可执行指令以实现上述图1至图2任一所示的方法。在图5示出的实施方式中,该电子设备还包括总线52和通信接口53,其中,处理器51、通信接口53和存储器50通过总线52连接。
其中,存储器50可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线52可以是ISA(Industry StandardArchitecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(Extended Industry Standard Architecture,扩展工业标准结构)总线等,还可以是AMBA(Advanced Microcontroller Bus Architecture,片上总线的标准)总线,其中,AMBA定义了三种总线,包括APB(Advanced Peripheral Bus)总线、AHB(Advanced High-performance Bus)总线和AXI(Advanced eXtensible Interface)总线。总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器51可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器51读取存储器中的信息,结合其硬件完成前述图1至图2任一所示的方法。本发明实施例所提供的一种基于人工智能的索具耐用性测试方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
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,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。所述功能如果以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,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的索具耐用性测试方法,其特征在于,所述方法包括:
获取目标索具的属性数据;所述属性数据至少包括使用环境数据、负载数据和磨损数据;
对所述属性数据进行组装,生成所述目标索具的属性数据向量;
将所述属性数据向量输入至预先构建的数据处理模型中,通过所述数据处理模型输出所述属性数据向量对应的耐用性特征;所述耐用性特征用于表征所述目标索具的耐用性能;
其中,所述数据处理模型基于预设的训练样本集训练,所述训练样本集中的训练样本包括索具样本数据和对应的样本标签,所述样本标签用于指示索具样本数据对应的程度,且,所述训练样本集是利用量子态对原始样本进行数据扩充后构建的;且,通过预设的分位数梯度下降方法进行优化,以确定所述属性数据向量中的第一目标特征,所述第一目标特征用于指示所述属性数据向量中的非线性关系和潜在的异常模式;所述数据处理模型还通过蒙特卡洛方法估计所述属性数据向量对应的潜在空间的分布,以捕捉和表示所述属性数据向量的内在结构;
通过预先训练好的分类器模型对所述耐用性特征进行分类,输出分类结果;其中,用于训练所述分类器模型的训练样本集通过所述数据处理模型进行数据处理;
根据所述分类结果对所述目标索具进行耐用性分析。
2.根据权利要求1所述的方法,其特征在于,所述数据处理模型包括预先构建的特征提取模型和预先构建的降维模型;将所述属性数据向量输入至预先构建的数据处理模型中,通过所述数据处理模型输出所述属性数据向量对应的耐用性特征的步骤,包括:
通过预先构建的特征提取模型对所述属性数据向量进行特征提取,确定目标特征参数;所述特征提取模型利用预设的分位数梯度下降方法针对数据的特异性分布对网络参数进行优化后构建;
将所述目标特征参数输入至预先构建的降维模型中,输出耐用性特征;所述降维模型通过预设的蒙特卡洛方法估计数据的潜在空间分布后,基于空间分布优化网络参数构建。
3.根据权利要求2所述的方法,其特征在于,所述特征提取模型的构建方法,包括:
获取预先构建的训练样本集和预设的特征提取神经网络;
初始化所述特征提取神经网络的网络参数;以及,对所述训练样本集进行数据预处理;
将预处理后的训练样本集输入至所述特征提取神经网络中,输出初始提取结果;
确定所述初始提取结果对应的分位数损失,基于所述分位数损失和预设的分位数梯度下降方法对所述特征提取神经网络的网络参数进行更新,得到更新网络参数;
确定所述更新网络参数对应的近似后验分布,和所述近似后验分布对应的KL散度;
基于所述KL散度对所述特征提取神经网络进行后验分布优化,直到所述特征提取神经网络满足预设的迭代要求,基于所述特征提取神经网络构建特征提取模型。
4.根据权利要求2所述的方法,其特征在于,所述降维模型的构建方法,包括:
获取预设的训练样本集;
将所述训练样本集输入至预设的自编码器中,对所述训练样本集进行前向传播;所述自编码器基于流行学习对所述训练样本集进行前向传播;
通过预设的蒙特卡洛抽样估计所述前向传播对应的空间分布,基于所述空间分布,计算损失函数;
根据所述损失函数进行反向传播,并优化所述自编码器的网络参数;
直到满足预设的迭代要求,基于所述自编码器构建降维模型。
5.根据权利要求1所述的方法,其特征在于,所述分类器模型的构建方法,包括:
获取预设的训练样本集;
将所述训练样本集输入至预设的分类器神经网络中,输出分类预测结果;
使用基于对偶加速鲸鱼优化算法根据所述分类预测结果和实际标签调整所述分类器神经网络的网络参数,并利用二次规划对所述网络参数进一步调整;
直到所述分类器神经网络满足预设的迭代要求,基于所述分类器神经网络构建分类器模型。
6.根据权利要求5所述的方法,其特征在于,使用基于对偶加速鲸鱼优化算法根据所述分类预测结果和实际标签调整所述分类器神经网络的网络参数的步骤,包括:
基于所述分类器神经网络的当前网络参数、学习率参数和对应于所述网络参数的损失函数梯度,计算对偶加速参数;
基于所述对偶加速参数和预设的鲸鱼优化算法对所述分类器神经网络的网络参数进行调整,得到优化后的网络参数。
7.根据权利要求1所述的方法,其特征在于,所述训练样本集的构建方法,包括:
获取预先采集的索具样本数据;所述索具样本数据包括所述索具在预设使用环境的实时使用数据和物理检查数据;
对所述索具样本数据进行标注,生成样本标签,并基于所述样本标签和所述索具样本数据构建初始样本集;
将所述初始样本集编码为量子态,并通过预设的生成对抗网络利用量子态生成新的数据样本;
基于新的数据样本和所述初始样本集构建训练样本集。
8.根据权利要求7所述的方法,其特征在于,将所述初始样本集编码为量子态的步骤,包括:
将所述初始样本集输入至预设的量子编码模块中,确定所述初始样本集对应的量子位状态,生成涉及量子位旋转和纠缠的复杂矩阵;
基于所述复杂矩阵和预设的噪声注入函数,将所述初始样本集转换为量子比特,以将所述初始样本集编码为编码态。
9.根据权利要求7所述的方法,其特征在于,所述方法还包括:
在预设的生成对抗网络利用量子态生成新的数据样本的过程中对生成的数据样本进行光滑近似处理。
10.一种基于人工智能的索具耐用性测试装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标索具的属性数据;所述属性数据至少包括使用环境数据、负载数据和磨损数据;
数据处理模块,用于对所述属性数据进行组装,生成所述目标索具的属性数据向量;
执行模块,用于将所述属性数据向量输入至预先构建的数据处理模型中,通过所述数据处理模型输出所述属性数据向量对应的耐用性特征;所述耐用性特征用于表征所述目标索具的耐用性能;其中,所述数据处理模型基于预设的训练样本集训练,所述训练样本集中的训练样本包括索具样本数据和对应的样本标签,所述样本标签用于指示索具样本数据对应的程度,且,所述训练样本集是利用量子态对原始样本进行数据扩充后构建的;且,通过预设的分位数梯度下降方法进行优化,以确定所述属性数据向量中的第一目标特征,所述第一目标特征用于指示所述属性数据向量中的非线性关系和潜在的异常模式;所述数据处理模型还通过蒙特卡洛方法估计所述属性数据向量对应的潜在空间的分布,以捕捉和表示所述属性数据向量的内在结构;
分类模块,用于通过预先训练好的分类器模型对所述耐用性特征进行分类,输出分类结果;其中,用于训练所述分类器模型的训练样本集通过所述数据处理模型进行数据处理;
输出模块,用于根据所述分类结果对所述目标索具进行耐用性分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410288866.0A CN117892182B (zh) | 2024-03-14 | 基于人工智能的索具耐用性测试方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410288866.0A CN117892182B (zh) | 2024-03-14 | 基于人工智能的索具耐用性测试方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117892182A true CN117892182A (zh) | 2024-04-16 |
CN117892182B CN117892182B (zh) | 2024-06-07 |
Family
ID=
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090122949A1 (en) * | 2007-11-12 | 2009-05-14 | Denali Software, Inc. | System and method for wear leveling utilizing a relative wear counter |
CN108238527A (zh) * | 2016-12-23 | 2018-07-03 | 通力股份公司 | 用于电梯绳索状态监控的装置和方法 |
CN109071188A (zh) * | 2016-04-05 | 2018-12-21 | 利勃海尔比伯拉赫股份有限公司 | 用于在升降机的使用期间监测操作数据和/或确定缆索磨损置换状态的设备 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
US20210374506A1 (en) * | 2019-09-05 | 2021-12-02 | Soochow University | Method for predicting bearing life based on hidden markov model and transfer learning |
CN115375038A (zh) * | 2022-09-15 | 2022-11-22 | 上海交通大学 | 一种飞机发动机失效模式识别和寿命预测方法 |
CN116881832A (zh) * | 2023-09-07 | 2023-10-13 | 山东能源数智云科技有限公司 | 旋转机械设备故障诊断模型的构建方法及装置 |
CN117056734A (zh) * | 2023-10-12 | 2023-11-14 | 山东能源数智云科技有限公司 | 基于数据驱动的设备故障诊断模型的构建方法及装置 |
CN117648643A (zh) * | 2024-01-30 | 2024-03-05 | 山东神力索具有限公司 | 基于人工智能的索具预测性诊断方法及装置 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090122949A1 (en) * | 2007-11-12 | 2009-05-14 | Denali Software, Inc. | System and method for wear leveling utilizing a relative wear counter |
CN109071188A (zh) * | 2016-04-05 | 2018-12-21 | 利勃海尔比伯拉赫股份有限公司 | 用于在升降机的使用期间监测操作数据和/或确定缆索磨损置换状态的设备 |
CN108238527A (zh) * | 2016-12-23 | 2018-07-03 | 通力股份公司 | 用于电梯绳索状态监控的装置和方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
US20210374506A1 (en) * | 2019-09-05 | 2021-12-02 | Soochow University | Method for predicting bearing life based on hidden markov model and transfer learning |
CN115375038A (zh) * | 2022-09-15 | 2022-11-22 | 上海交通大学 | 一种飞机发动机失效模式识别和寿命预测方法 |
CN116881832A (zh) * | 2023-09-07 | 2023-10-13 | 山东能源数智云科技有限公司 | 旋转机械设备故障诊断模型的构建方法及装置 |
CN117056734A (zh) * | 2023-10-12 | 2023-11-14 | 山东能源数智云科技有限公司 | 基于数据驱动的设备故障诊断模型的构建方法及装置 |
CN117648643A (zh) * | 2024-01-30 | 2024-03-05 | 山东神力索具有限公司 | 基于人工智能的索具预测性诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
ZHAO, D ET AL: "Fatigue life prediction of wire rope based on grey particle filter method under small sample condition", 《POLISH MAINTENANCE SOC》, vol. 23, no. 3, 31 December 2021 (2021-12-31), pages 454 - 467 * |
盛春赋: "绳缆用纤维纱线与纱线摩擦性能与疲劳失效机理", 《中国优秀硕士学位论文全文数据库(电子期刊)》, vol. 2023, no. 03, 15 March 2023 (2023-03-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN109165743A (zh) | 一种基于深度压缩自编码器的半监督网络表示学习算法 | |
Sajedi et al. | Deep generative Bayesian optimization for sensor placement in structural health monitoring | |
Kamada et al. | An adaptive learning method of restricted Boltzmann machine by neuron generation and annihilation algorithm | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN117056734B (zh) | 基于数据驱动的设备故障诊断模型的构建方法及装置 | |
Zheng et al. | A self-adaptive temporal-spatial self-training algorithm for semisupervised fault diagnosis of industrial processes | |
Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
Ren et al. | Interpreting and disentangling feature components of various complexity from DNNs | |
CN117648643B (zh) | 基于人工智能的索具预测性诊断方法及装置 | |
CN110838364A (zh) | 一种基于深度学习混合模型的克罗恩病预测方法及装置 | |
CN114565021A (zh) | 基于量子循环神经网络的金融资产定价方法、系统及存储介质 | |
CN114580545A (zh) | 一种基于融合模型的风电机组齿轮箱故障预警方法 | |
Zekany et al. | CrystalBall: Statically analyzing runtime behavior via deep sequence learning | |
CN117407781B (zh) | 基于联邦学习的设备故障诊断方法及装置 | |
Zhao et al. | Characterization of porous membranes using artificial neural networks | |
Yousefpour et al. | Unsupervised anomaly detection via nonlinear manifold learning | |
CN116739100A (zh) | 量子神经网络的漏洞检测方法及自动驾驶漏洞检测方法 | |
CN117892182B (zh) | 基于人工智能的索具耐用性测试方法及装置 | |
Zhou et al. | Uncertainty guided pruning of classification model tree | |
CN117349494A (zh) | 空间图卷积神经网络的图分类方法、系统、介质及设备 | |
CN117892182A (zh) | 基于人工智能的索具耐用性测试方法及装置 | |
Zuhri et al. | Probability Prediction for Graduate Admission Using CNN-LSTM Hybrid Algorithm | |
CN116391193A (zh) | 以基于能量的潜变量模型为基础的神经网络的方法和设备 |
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 | ||
GR01 | Patent grant |