一种状态参数提取方法、装置、电子设备和可读存储介质与流程

本发明涉及人工智能，特别涉及一种状态参数提取方法、装置、电子设备和可读存储介质。

背景技术：

1、随着科学技术的不断发展，人工智能技术已经在各个行业得到了广泛的应用，尤其在机械设备的故障诊断领域中发挥了巨大的作用。如神经网络、机器学习等人工智能模型在柴油机、汽油机等发动机的故障诊断中发挥了巨大的作用。为保证模型的鲁棒性通常需要输入大量的状态参数进行诊断，而随着状态参数的增多将降低设备的处理速度，模型的计算效率也会相应的降低，为保证模型的计算效率常规的提高设备性能的方式不仅增加了成本投入并且提升效果也并不好。

技术实现思路

1、本发明提供了一种状态参数提取方法、装置、电子设备和可读存储介质，可以在提升神经网络模型计算效率的同时，降低对设备性能的要求和硬件成本。

2、为实现上述目的，本发明提供如下技术方案：

3、根据本发明具体实施方式提供的一种状态参数提取方法，包括：

4、获取原始状态参数集合；

5、基于所述原始状态参数集合中每两个状态参数间的互信息值以及预设分组流程，对所述原始状态参数集合中的状态参数逐次进行分组，每次分组后得到的当前分组数小于前一次分组后得到的分组数；

6、基于预设判断条件确定目标次分组后得到的目标分组数为最终分组数，所述目标分组数大于最后一次分组后的分组数且小于第一次分组后的分组数，所述目标分组数的状态参数组中所包含的状态参数的个数和所述原始状态参数集合中包含的状态参数个数相同；

7、基于预设自编码器对所述目标分组数的状态参数组中的每个状态参数组进行降维处理，得到所述目标分组数的降维状态参数组；

8、将所述目标分组数的降维状态参数组进行融合，得到降维后的状态参数集合。

9、进一步地，所述基于所述原始状态参数集合中每两个状态参数间的互信息值以及预设分组流程，对所述原始状态参数集合中的状态参数逐次进行分组，包括：

10、步骤1、确定每次分组时每个状态参数组中所包含的状态参数的最小个数，所述最小个数为2的n次幂，n为不小于2的正整数；

11、步骤2、基于所述原始状态参数集合中每两个状态参数间的互信息值、所述预设分组流程以及所述最小个数，对所述原始状态参数集合中的状态参数进行分组；

12、步骤3、将所述n加1后重复执行所述步骤1至步骤2，直至所述最小个数不小于所述原始状态参数集合中所包含的状态参数的个数。

13、进一步地，所述基于所述原始状态参数集合中每两个状态参数间的互信息值、所述预设分组流程以及所述最小个数，对所述原始状态参数集合中的状态参数进行分组，包括：

14、步骤201、确定所述原始状态参数集合中每两个状态参数间的互信息值的最大值；

15、步骤202、将所述最大值对应的两个状态参数合并为一个状态参数组；

16、步骤203、计算所述状态参数组和所述原始状态参数集合中除所述状态参数组外的其他状态参数间的互信息值；

17、步骤204、将和所述状态参数组之间的互信息值最大的状态参数，加入到所述状态参数组中；

18、步骤205、重复执行所述步骤203至步骤204，直至所述状态参数组中包含的状态参数的数量为所述最小个数。

19、进一步地，所述基于所述原始状态参数集合中每两个状态参数间的互信息值、所述预设分组流程以及所述最小个数，对所述原始状态参数集合中的状态参数进行分组，还包括：

20、步骤206、当所述状态参数组中包含的状态参数的数量为所述最小个数时，去除所述原始状态参数集合中所述状态参数组中的各个状态参数；

21、步骤207、重复执行所述步骤201至所述步骤206，直至所述原始状态参数集合中所包含的状态参数的数量不大于所述最小个数。

22、进一步地，所述状态参数提取方法还包括：

23、当所述原始状态参数集合中所包含的状态参数的数量和所述最小个数的差值大于预设阈值，或所述原始状态参数集合中所包含的状态参数的数量小于所述最小个数的一半时，则基于所述原始状态参数集合中剩余的各状态参数和各分组之间的互信息值，将所述剩余的各状态参数加入到相应的分组中。

24、进一步地，所述基于预设判断条件确定目标次分组后得到的目标分组数为最终分组数，包括：

25、确定每次分组完成后得到的每个状态参数组中状态参数间的相对距离值；

26、若当前次分组的最小相对距离值和相邻后一次分组的最小相对距离的差值在预设范围内，则将所述当前次分组得到的状态参数组数量为所述最终分组数。

27、进一步地，所述基于预设自编码器对所述目标分组数的状态参数组中的每个状态参数组进行降维处理，得到所述目标分组数的降维状态参数组，包括：

28、为每个状态参数组分别设置相应的降噪自编码器进行状态参数的降维处理。

29、根据本发明具体实施方式提供的一种状态参数提取装置，包括：

30、状态参数获取模块，用于获取原始状态参数集合；

31、状态参数分组模块，用于基于所述原始状态参数集合中每两个状态参数间的互信息值以及预设分组流程，对所述原始状态参数集合中的状态参数逐次进行分组，每次分组后得到的当前分组数小于前一次分组后得到的分组数；

32、分组数据确定模块，用于基于预设判断条件确定目标次分组后得到的目标分组数为最终分组数，所述目标分组数大于最后一次分组后的分组数且小于第一次分组后的分组数，所述目标分组数的状态参数组中所包含的状态参数的个数和所述原始状态参数集合中包含的状态参数个数相同；

33、分组数据降维模块，用于基于预设自编码器对所述目标分组数的状态参数组中的每个状态参数组进行降维处理，得到所述目标分组数的降维状态参数组；以及

34、特征融合模块，用于将所述目标分组数的降维状态参数组进行融合，得到降维后的状态参数集合。

35、根据本发明具体实施方式提供的一种电子设备，包括：存储器和处理器；

36、所述存储器，用于存储程序；

37、所述处理器，用于执行所述程序，实现如上所述的状态参数提取方法的各个步骤。

38、根据本发明具体实施方式提供的一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的状态参数提取方法的各个步骤。

39、由以上技术方案可以看出，本发明中公开了一种状态参数提取方法，可以根据表征原始状态参数集合中各状态参数间相关性的互信息值，对故障判断需要使用的原始状态参数集合进行分组。对得到的各状态参数组利用预设自编码器分别进行降维处理，再将降维处理后的状态参数组进行融合得到降维后的状态参数集合，使得降维处理后的状态参数集合虽然包含的状态参数数量减少，但不影响后续神经网络模型根据状态参数集合进行故障判断的准确性。当需要大量状态参数进行故障的判断时能够有效降低后续神经网络模型的数据量，在提升神经网络模型计算效率的同时，降低对设备性能的要求和硬件成本。