买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东能源数智云科技有限公司

摘要：本发明提供一种基于迁移学习的设备寿命预测方法及装置，涉及数据处理技术领域，通过获取目标设备的设备运行数据，由预先构建的寿命区间预测模型输出对应的初始分类结果和设备运行数据对应的主题特征；将主题特征和初始分类结果进行融合，得到目标设备对应的寿命预测结果以对目标设备的寿命区间进行预测。基于此，能够提高模型在处理复杂数据时的性能。寿命区间预测模型基于分类器构建，该分类器在大规模数据处理时能够提高提高计算效率。训练样本集通过特征提取模型进行特征提取，并通过降维模型进行降维，能够为分类任务提供更加有效的特征表示，充分挖掘样本的潜在特征。

主权项：1.一种基于迁移学习的设备寿命预测方法，其特征在于，所述方法包括：获取目标设备的设备运行数据；其中，所述设备运行数据包括所述目标设备在预设运行环境下的多种设备参数和运行指标；将所述设备运行数据输入至预先构建的寿命区间预测模型中，输出初始分类结果，以及所述设备运行数据对应的主题特征；所述寿命区间预测模型基于预先训练好的分类器和潜在狄利克雷分配模型构建；且，用于训练所述分类器的训练样本集通过预先构建的特征提取模型进行特征提取，并通过预先构建的降维模型进行降维；所述分类器基于流形学习的极限学习机算法进行训练；所述基于流形学习的极限学习机算法通过对极限学习机算法的隐层特征施加基于邻近性的正则化项，从而对极限学习机的输出层权重进行优化；将所述主题特征和所述初始分类结果进行融合，得到所述目标设备对应的寿命预测结果；根据所述寿命预测结果对所述目标设备的寿命区间进行预测；所述分类器基于极限学习机构建；所述分类器的训练方法，包括：对预设极限学习机的隐层权重和偏置进行初始化；将预设的训练样本集输入至所述极限学习机的隐层中，产生非线性特征表示；所述训练样本集是通过预先构建的特征提取与降维模型进行特征提取得到的；所述非线性特征表示根据预先计算的基于邻近性的正则化项确定；确定所述非线性特征表示对应的隐层输出矩阵，并基于所述隐层输出矩阵，对极限学习机的输出层权重进行优化，直到输出误差最小化，得到训练好的分类器；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模型；所述特征提取模型是从源域预训练得到的模型迁移到当前任务中的模型，且，所述特征提取模型的模型参数基于预训练得到的模型参数进行初始化；将所述训练样本集输入至所述特征提取模型中，基于预设的信息共享策略确定所述训练样本集对应的初始输出；所述信息共享策略用于指示所述特征提取模型的神经元之间进行信息共享和局部协同更新；基于所述初始输出、目标标签和输入数据分布，计算损失函数；根据所述损失函数，使用基于仿生信息共享优化的神经网络参数优化方法对所述特征提取模型的模型参数进行多阶段迭代；直到所述损失函数收敛，得到训练好的特征提取模型；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，将所述训练样本集转换为低维特征表示；其中，所述自编码器的编码层应用稀疏性约束对所述训练样本集进行数据转换；且，所述低维特征表示对应的低维特征空间采用基于特征的距离度量学习方法确定；根据所述低维特征表示对应的重构误差和距离度量误差，对所述自编码器的网络参数进行更新，直到满足预设的收敛条件，基于所述自编码器构建降维模型。

全文数据：

权利要求：

百度查询： 山东能源数智云科技有限公司 基于迁移学习的设备寿命预测方法及装置