一种数据迁移方法及装置制造方法及图纸

本发明专利技术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。

A data migration method and device

【技术实现步骤摘要】
一种数据迁移方法及装置
本专利技术涉及工业信息
，尤其涉及一种数据迁移方法及装置。
技术介绍
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。
技术实现思路
本专利技术实施例提供一种数据迁移方法及电子设备，用以解决上述
技术介绍
中提出的技术问题，或至少部分解决上述
技术介绍
中提出的技术问题。第一方面，本专利技术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，本专利技术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，本专利技术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，本专利技术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。本专利技术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专利技术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专利技术的一些实施例，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为本专利技术一实施例中所描述的数据迁移方法程示意图；图2为本专利技术一实施例所描述的数据迁移过程示意图；图3为本专利技术一实施例所描述的数据迁移装置结构示意图；图4为本专利技术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专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。图1为本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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本文档来自技高网...

【技术保护点】
1.一种数据迁移方法，其特征在于，包括：/n获取原域数据；/n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；/n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。/n

【技术特征摘要】
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。


2.根据权利要求1所述数据迁移方法，其特征在于，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。


3.根据权利要求2所述数据迁移方法，其特征在于，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。


4.根据权利要求3所述数据迁移方法，其特征在于，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。


5.根据权利要求4所述数据迁移方法，其特征在于，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...

【专利技术属性】
技术研发人员：刘涛，蔺思宇，马君，刘勇攀，李素洁，杨晨旺，王伟，周景源，
申请(专利权)人：湃方科技北京有限责任公司，
类型：发明
国别省市：北京;11