本發(fā)明涉及一種基于元貝葉斯優(yōu)化和元特征的故障診斷模型自主構(gòu)建方法，屬于數(shù)據(jù)電數(shù)據(jù)處理。

背景技術(shù)：

1、公開(kāi)號(hào)為cn113315661a公開(kāi)了本發(fā)明公開(kāi)了一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的載波網(wǎng)絡(luò)故障診斷方法，所述方法包括根據(jù)故障和癥狀的關(guān)系，構(gòu)建故障傳播模型；根據(jù)異常癥狀節(jié)點(diǎn)集合和異常癥狀節(jié)點(diǎn)集合，構(gòu)建動(dòng)態(tài)貝葉斯故障傳播模型，并根據(jù)所述動(dòng)態(tài)貝葉斯故障傳播模型，得到兩個(gè)時(shí)間片上的故障診斷模型；根據(jù)兩個(gè)時(shí)間片上的故障診斷模型，得到前一階段最大可能的故障節(jié)點(diǎn)狀態(tài)集合；根據(jù)前一階段最大可能的故障節(jié)點(diǎn)狀態(tài)集合，得到當(dāng)前階段最大可能的故障節(jié)點(diǎn)狀態(tài)集合。

2、雖然發(fā)明通過(guò)將動(dòng)態(tài)網(wǎng)絡(luò)環(huán)境下的故障診斷問(wèn)題建模為動(dòng)態(tài)貝葉斯故障診斷模型，提出基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的載波網(wǎng)絡(luò)故障診斷方法，能夠有效降低動(dòng)態(tài)網(wǎng)絡(luò)環(huán)境給故障診斷模型帶來(lái)的噪聲問(wèn)題。但其不能實(shí)現(xiàn)在對(duì)新數(shù)據(jù)集上的小樣本診斷任務(wù)的自動(dòng)建模，快速獲取有競(jìng)爭(zhēng)力的初始診斷能力。

技術(shù)實(shí)現(xiàn)思路

1、為克服現(xiàn)有技術(shù)中存在的缺點(diǎn)，本發(fā)明提供一種基于元貝葉斯優(yōu)化和元特征的故障診斷模型自主構(gòu)建方法，本發(fā)明通過(guò)在大量領(lǐng)域歷史任務(wù)上構(gòu)建數(shù)據(jù)集元特征到建模決策元特征之間的映射，組成建模元數(shù)據(jù)集，將度量結(jié)果損失放松為成對(duì)排名損失，實(shí)現(xiàn)對(duì)新數(shù)據(jù)集上的小樣本診斷任務(wù)的自動(dòng)建模，快速獲取有競(jìng)爭(zhēng)力的初始診斷能力。

2、為實(shí)現(xiàn)所述發(fā)明目的，本發(fā)明一方面提供一種一種基于貝葉斯優(yōu)化和元特征的故障模型自建方法，其特征在于，包括：

3、步驟1：在歷史任務(wù)上，構(gòu)建數(shù)據(jù)集元特征集中的每個(gè)元特征到建模故障元特征集中的元特征之間的映射組成建模元數(shù)據(jù)集,i和j為大于或者等于2的正整數(shù)；

4、步驟2：構(gòu)建元代理模型以對(duì)建模元數(shù)據(jù)集中的每個(gè)數(shù)據(jù)進(jìn)行度量，式中，為元代理模型的參數(shù)；為超參數(shù)；

5、步驟3：根據(jù)建模元數(shù)據(jù)集中的每個(gè)數(shù)據(jù)的度量結(jié)果設(shè)計(jì)排名損失，根據(jù)排名損失獲取最優(yōu)元代理模型的參數(shù)；

6、步驟4：將當(dāng)前任務(wù)上的數(shù)據(jù)元特征集?輸入到元代理模型，由元代理模型給出故障診斷結(jié)果。

7、與現(xiàn)有技術(shù)相比，本發(fā)明提供的基于元貝葉斯優(yōu)化和元特征的故障診斷模型自主構(gòu)建方法具有如下有益效果：

8、本發(fā)明通過(guò)在大量領(lǐng)域歷史任務(wù)上構(gòu)建數(shù)據(jù)集元特征到建模決策元特征之間的映射，組成建模元數(shù)據(jù)集，將度量結(jié)果損失放松為成對(duì)排名損失，實(shí)現(xiàn)對(duì)新數(shù)據(jù)集上的小樣本診斷任務(wù)的自動(dòng)建模，快速獲取有競(jìng)爭(zhēng)力的初始診斷能力。

技術(shù)特征：

1.一種基于元貝葉斯優(yōu)化和元特征的故障診斷模型自主構(gòu)建方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟1之前還包括：通過(guò)貝葉斯代理模型，完成對(duì)超參數(shù)優(yōu)化的元知識(shí)的學(xué)習(xí)，以實(shí)現(xiàn)少量?jī)?yōu)化迭代下超參數(shù)尋優(yōu)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，通過(guò)貝葉斯代理模型，完成對(duì)超參數(shù)優(yōu)化的元知識(shí)的學(xué)習(xí)，以實(shí)現(xiàn)少量?jī)?yōu)化迭代下的超參數(shù)尋優(yōu)包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，還包括如下步驟：

技術(shù)總結(jié)
一種基于貝葉斯優(yōu)化和元特征的故障模型自建方法，屬于電數(shù)據(jù)處理技術(shù)領(lǐng)域。方法包括：在歷史任務(wù)上構(gòu)建數(shù)據(jù)集元特征中的每個(gè)元特征到建模元特征集中的元特征之間的映射組成建模元數(shù)據(jù)集；構(gòu)建元代理模型以對(duì)建模元數(shù)據(jù)集中的每個(gè)數(shù)據(jù)進(jìn)行度量；根據(jù)建模元數(shù)據(jù)集中的每個(gè)數(shù)據(jù)的度量結(jié)果設(shè)計(jì)排名損失，根據(jù)排名損失獲取最優(yōu)元代理模型的參數(shù)；將當(dāng)前任務(wù)上的數(shù)據(jù)元特征集輸入到元代理模型，由元代理模型給出建模結(jié)果。本發(fā)明通過(guò)在大量領(lǐng)域歷史任務(wù)上構(gòu)建數(shù)據(jù)集元特征到建模決策元特征之間的映射，組成建模元數(shù)據(jù)集，將度量結(jié)果損失放松為成對(duì)排名損失，實(shí)現(xiàn)對(duì)新數(shù)據(jù)集上的小樣本診斷任務(wù)的自動(dòng)建模，快速獲取有競(jìng)爭(zhēng)力的初始診斷能力。

技術(shù)研發(fā)人員：陶來(lái)發(fā),李商羽,黃博昊,王超,吳云龍,索明亮,呂琛,連芷萱
受保護(hù)的技術(shù)使用者：杭州市北京航空航天大學(xué)國(guó)際創(chuàng)新研究院（北京航空航天大學(xué)國(guó)際創(chuàng)新學(xué)院）
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6