[发明专利]一种通用的基于数据挖掘的机器学习方法、装置以及系统

摘要

本发明公开了一种通用的基于数据挖掘的机器学习方法、装置以及系统，其方法先以固定频率采集电子设备中不同工作指标的数值，对不同工作指标的数值进行特征选择，得到与电子设备运行状态最贴近的工作指标，将该工作指标的数值作为基础训练数据，计算得到其分组周期，按时间顺序进行分组；随后通过每一基础训练数据的特征值判断故障所在的周期，以故障所在的周期对基础训练数据进行分组，在通过非线性状态评估算法计算两类分组，得到故障阈值，实现了对不同类型电子设备的通用故障检测。

主权项

一种通用的基于数据挖掘的机器学习方法，其特征在于，包括以下步骤，以固定频率采样电子设备的运行工作的每一个工作指标的采样数值，并对每一个工作指标采样到的所有采样数值均组成该工作指标对应的时序序列；对每一个工作指标对应的时序序列进行特征选择，从中确定与所述电子设备运行状态相关度最大的工作指标以及所述相关度最大工作指标序列时域特征值，并以确定的所述最大的工作指标对应的采样数值为基础训练数据；根据所述基础训练数据的时序特征量计算出分组周期，并以所述分组周期对所述基础训练数据进行分组，并根据时间顺序确定每一组的序号；通过计算每一基础训练数据组的序列时域特征值，判断该基础训练数据组是否属于故障所在组，并记录故障所在组的组序号；根据故障所在组的组序号，按时间顺序将分组后的基础训练数据组划分成训练样本组和测试样本组；其中，所述训练样本组包括的每一基础训练数据组均不属于故障所在组；所述测试样本组包括至少一个基础训练数据组是故障所在组；根据非线性状态评估算法，对训练样本组中的每一基础训练数据组进行计算获得故障阈值；根据所述故障阈值，判断在所述测试样本组中判定为存在故障的基础训练数据组的组序号是否与记录的组序号是否一致；若是，则以所述故障阈值作为判定所述电子设备运行是否存在故障的标准工作指标。