一种数据处理方法及交互式自学习装置与流程

1.本发明涉及传感器技术领域，具体涉及一种数据处理方法及交互式自学习装置。


背景技术：

2.传感器是获取各种物理数据的前端源头器件，后端系统基于源数据依靠各种算法分析出被测问题的状态，进而采取对应行动，但是这种前端数据+后端算法的结构存在以下三个问题。
3.一、数据传输瓶颈：传感器会产生海量裸数据，如果不加处理全部传输给后端系统处理，在带宽和成本方面都将无法承受。
4.二、算法的时效性：虽然当前的后端系统已经很强大，可以运行各类复杂的人工智能算法，但这始终是一种离线式的计算，无法满足大量有实时性系统的要求。
5.三、应用的复杂性：从整个应用的角度来看，需要有很强的软、硬件开发及跨领域整合能力的团队，不可避免存在冗长而又昂贵的服务支持，并且由于现场状况的复杂性，还不一定能在交付时间内达成预期效果，这也是当前人工智能落地、部署难的主要原因之一。
6.基于第一、第二个问题，提出将后端系统中的实时处理算法前置到传感器，借助传感器内部的处理器，对传感器产生的海量数据进行本地化算法处理，运算出一个决策类型的数据再传递给后端的系统，这样就解决了带宽和时效性问题，也就是行业内称谓的边缘侧计算。而第三个问题，是本发明需要着重突破的。
7.众所周知，人工智能是基于(传感器)大数据学习的技术，能够赋能各行各业，但具体到某一个行业应用，都需要有熟悉该行业的技术人员与传感器、人工智能专业人员密切配合，但现实是行业技术人员无法理解复杂的人工智能，人工智能专家也不可能具备各行业领域的长期经验积累，即两者的交集很小，这势必造成配合、交付的困扰。


技术实现要素：

8.本发明为解决现有技术的不足，提供了一种数据处理方法及交互式自学习装置。
9.为实现上述目的，本发明提供了以下技术方案：
10.一种数据处理方法，该数据处理方法包括以下步骤：
11.s1：获取目标参数，并进入正常推理运行状态；
12.s2：判断是否出现状态报警；若否，则返回执行所述步骤s1；若是，则暂停正常推理运行状态，并连续滚动存储多条当前数据至存储区；
13.s3：主动请求人员介入判断当前报警是否真实，并根据判断结果对所述存储区内的数据进行标注；
14.s4：进入训练状态，对存储区中的所述标注的数据进行训练并将所述训练后的各项数据存储至存储区；
15.s5：重新进入所述正常推理运行状态的步骤。
16.在一些实施例中，所述正常推理运行状态在微处理器的第一运算核心执行，所述
训练状态在微处理器的第二运算核心执行，所述第一运算核心与所述第二运算核心并行运行且共享存储区中的数据。
17.在一些实施例中，所述第一运算核心还执行预置的传统算法，所述传统算法用于执行基础任务。
18.在一些实施例中，在执行所述步骤s1前，还包括以下步骤：
19.t1：设置初始参数，所述初始参数包括学习率和收敛值；
20.t2：判断初始化是否完成；若否，则继续执行初始化过程；若是，则由人员介入判断是否触发训练模式；
21.t3：若不触发训练模式，则将检测得到的环境物理量数据作为所述目标数据进行加载，并执行所述步骤s1；
22.若触发训练模式，将每条实时输入的数据作为正样本进行训练，并根据收敛值判断是否结束训练；若否，则继续将每条实时输入的数据作为正样本进行训练；若是，则将所述训练状态训练得到的各项数据存储至存储区，并执行所述步骤s1。
23.在一些实施例中，所述训练状态在所述微处理器的第二运算核心执行。
24.在一些实施例中，所述步骤s2中，若出现状态报警，则暂停正常推理运行状态，并连续滚动存储100条当前数据至存储区。
25.在一些实施例中，所述数据处理方法还包括主动请求人员对正常推理运行状态是否收敛进行判断的步骤，若是，则表明所述正常推理运行状态满足收敛条件，此时所述第二运算核心暂停所述训练状态。
26.本发明还提供了一种交互式自学习装置，该交互式自学习装置包括：
27.环境监测模块，所述环境监测模块用于监测环境物理量；
28.应答操作模块，所述应答操作模块用于实现人员与交互式自学习装置的人机交互，以实现人员介入判断；
29.微处理器模块，所述微处理器模块分别与环境监测模块及应答操作模块通信连接，且所述微处理器模块用于执行前述的数据处理方法；
30.显示模块，所述显示模块用于显示所述数据处理方法中的各阶段状态。
31.在一些实施例中，所述环境监测模块为加速度传感器、烟雾传感器、液位传感器、流量传感器和压力传感器中的任一种。
32.在一些实施例中，所述微处理器模块包括第一运算核心和第二运算核心。
33.与现有技术相比，本发明具有如下优点：
34.1.采用了更加智能的算法，算法的执行过程完全在本地处理器中实现，链路短，实时性强；
35.2.通过动态自学习的数据处理方法，借助现场人员的经验，不断自动更新升级，能够更好的贴合现场的变化，使产品具有更好的稳定性和可靠性；
36.3.与现场人员的交互非常简单，只要求现场人员具备当前场景下的基本知识或常识，通过操作按钮应答交互式自学习装置的提问，回复“是”或“否”，即可辅助交互式自学习装置完成自学习过程，有利于降低维护成本。
附图说明
37.为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
38.图1是本发明实施例的数据处理方法的算法流程图。
39.图2是本发明实施例中振动探测器的内部结构示意图。
40.图3是本发明实施例中交互式自学习装置的示意图。
具体实施方式
41.为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
42.传感器通常用于监测各种物理量，例如振动、烟雾、水位、流量、压力等参数，结合一些经验或传统经典算法，通过设定上下限阀值，来实施对现场状态的控制和预警。发明人经调研发现，目前工厂批量生产出来的传感器内部算法是出厂固化好的，所有出厂的传感器内部算法完全一样，很难去面对各种复杂现场环境，导致无法准确测得结果，尤其是存在复合传感的场合，更难依靠传统固定算法来进行有效数据融合，由此造成不少的误判、漏判，反复现场修改等服务也使得成本增加，而且使用户对产品的可靠性、稳定性产生质疑。
43.针对现有传感器存在的问题，本发明的一方面提供了一种可以进行交互式自学习的数据处理方法，本实施例的数据处理方法的算法流程图参见图1所示。
44.结合图1所示，本实施例的数据处理方法主要包括训练程序和训练程序。用户可根据需求自行选择训练程序是否执行，一般来说，交互式自学习装置在第一次通电使用或出现状态报警严重异常的情况下，用户才有必要选择执行训练程序。
45.上述的训练程序包括：
46.t1：设置初始参数，所述初始参数包括学习率和收敛值；
47.t2：判断初始化是否完成；若否，则继续执行初始化过程；若是，则由人员介入判断是否触发训练模式；
48.t3：若不触发训练模式，则将检测得到的环境物理量数据作为所述目标数据进行加载，并执行所述步骤s1；
49.若触发训练模式，将每条实时输入的数据作为正样本进行训练，并根据收敛值判断是否结束训练；若否，则继续将每条实时输入的数据作为正样本进行训练；若是，则将训练状态训练得到的各项数据存储至存储区，并执行步骤s1。
50.上述的训练程序包括：
51.s1：获取目标参数，并进入正常推理运行状态；
52.s2：判断是否出现状态报警；若否，则返回执行所述步骤s1；若是，则暂停正常推理运行状态，并连续滚动存储多条当前数据至存储区；
53.s3：主动请求人员介入判断当前报警是否真实，并根据判断结果对所述存储区内
的数据进行标注；
54.s4：进入训练状态，对存储区中的所述标注的数据进行训练并将所述训练后的各项数据存储至存储区；
55.s5：重新进入所述正常推理运行状态的步骤。
56.本发明的另一方面，还提供了一种交互式自学习装置，该交互式自学习装置包括环境监测模块2、微处理器模块1、显示模块4和应答操作模块3。其中，环境监测模块2用于监测环境物理量，应答操作模块3用于实现人员与交互式自学习装置的人机交互，以实现人员介入判断，从而控制交互式自学习装置的运行状态；所述微处理器模块1分别与环境监测模块2及应答操作模块3通信连接，且微处理器模块1用于执行前述的数据处理方法；所述显示模块4用于显示数据处理方法中的各阶段状态。
57.所述步骤t2中的初始化是指交互式自学习装置上电后执行的内存检测、读取参数、显示模块4刷新、各项参数和过程通过文本内容滚动刷新等一系列过程，初始化完成时交互式自学习装置则进入稳定状态。
58.显示模块4可以是液晶显示屏或者触控屏，当显示模块4为触控屏时，所述的应答操作模块3可以是显示模块上显示的虚拟按键。设置的应答操作模块3主要用于实现人机交互，当该装置在执行上述的数据处理方法时，用户可以通过应答操作模块3来决定是否触发训练模式，也可以通过应答操作模块3来告诉交互式自学习装置状态报警是否真实。显示模块4上的状态显示区5可用于显示交互式自学习装置各阶段的工作状态，如系统初始化状态、设置状态、稳定状态、训练状态、推理运行状态、报警状态、人机交互状态等，显示模块4上的一部分区域还可以用于显示与应答操作模块3对应的按钮定义6，如图3中的“是”或“否”。
59.本发明中的环境监测模块2可以为加速度传感器、烟雾传感器、液位传感器、流量传感器和压力传感器中的任一种，也可以为它们之间的任意组合。在一些实施例中，该互式自学习装置还包括与微处理器模块电连接的输出接口7，该互式自学习装置将判别结果通过输出接口7传递给其它设备。例如，输出接口将判断结果传输至上一级控制器，以便于对交互式自学习装置监测的对象进行控制；或者输出接口7将判断结果传输至中央控制单元，中央控制单元根据输出的信息使现场大屏幕上对应显示何处出现了问题，从而便于人员管理。在一些较佳的实施例中，输出接口还包括了无限传输模块，从而可以将判断结果传输至手机等智能无限终端，由此便可以实时接收互式自学习装置发出的信息，以便管理人员及时采取对应措施。
60.本发明在微处理器模块中内嵌了在线学习算法，并且提供了与现场用户的人机交互机制，相关领域的技术人员可以自行部署交互式自学习装置，该交互式自学习装置开机即可运行，由于交互式自学习装置内部只有简单的该领域经过预训练的通用模型，不一定适应当前特定现场，会有一个现场自学习的过程，因此，在初期运行阶段，遇到算法无法理解的状态，交互式自学习装置会通过人机交互方式，主动向现场技术人员请求学习，现场技术人员则根据交互式自学习装置的提问，简单应答是或否即可。经过一段时间的学习交互后，交互式自学习装置内部的算法就会对现场状态越来越理解，作出的判断也越来越准确，发起主动学习的频次也逐渐减少。
61.这种交互式自学习数据处理方法以及拥有该数据处理方法的交互式自学习装置，
可以不再需要人工智能专家参与，直接由现场技术人员根据该领域的技术经验，应答交互式自学习装置的提问即可完成一个强鲁棒性的算法。这种通过演进式的算法升级方法，相比于事先设计好的无法变动的“完备”算法，更符合一般智能发展规律，因而更能够适应特定的环境。
62.例如，常见的火灾烟雾报警器，厂家为了避免漏报警，报警器出厂的内置算法只能设计的很灵敏，这就造成了在不同环境下会有不同程度的误报警，这给维护和判断都造成了困扰，久而久之就会形成思想麻痹，当真的火灾苗头出现时却得不到应有重视，使得火灾报警器形同虚设。假如报警器内部是一个基于本发明的交互式自学习算法，就能够通过与人员的交互反馈，吸取每次误报的教训，这样在批量出厂时是完全一样的初级智能报警器，最终可进化为各自不同的、最适应自身所在场合的智能报警器。
63.为了便于相关技术人员理解，再次以常见的振动探测器用于工业设备健康状态监测的场景为例来解释本发明的机制，振动探测器的基本硬件组成结构如图2所示。
64.需要说明的是，本发明中所应用的环境监测模块2不是针对某种特定物理量，而是针对一般环境监测模块2都会产生数据，数据需要处理，处理需要算法，这一共性的过程方法。如将图2中的加速度传感器替换成烟雾传感器，就对应构成了与本发明具有同样机制的火灾报警器。此外，图2中的加速度传感器还可以替换成液位传感器、流量传感器、压力传感器等，这样就组成了可以应用于其它不同场景的报警器。
65.本实施例中的交互式自学习装置在出厂前，会预置两套算法，一套是传统经典算法(例如现有的火灾报警器中常见的算法)，以此来保证每个交互式自学习装置安装部署后，能够初步执行基本任务，另一套是本发明提供的交互式自学习数据处理算法框架，该交互式自学习数据处理算法是一种基于贝叶斯概率论的通用基础模型，可以适用于不同类型的交互式自学习装置，如振动探测器、火灾报警器等。本实施例中的微处理器模块采用的是双核微处理器，其具有第一运算核心(m0内核)和第二运算核心(m4内核)，传统经典算法和交互式自学习数据处理方法的正常推理运行状态运行在m0内核，交互式自学习数据处理方法的训练部分运行在m4内核，通电后两个内核是并行运行的，通过内存共享传感器获取的外部数据。
66.本公开中所述的推理就是实现交互式自学习装置的功能。例如，对于振动传感器而言，推理就是实现振动是否有进一步恶化的预测；对于烟雾传感器而言，推理就是实现有害气体是否存在潜在风险的预测。
67.拥有传统经典算法的m0内核启动后，一方面实现基本的传统经典算法任务，以支持开机即可顺利运行，避免了零基础的冷启动，另一方面将运行结果作为先验概率分布，传递给拥有以贝叶斯定理为基础的交互式自学习算法的m4内核，在m4内核中进行相应的同步学习训练，得到后验概率分布，通过不断的反复迭代学习，得到相应的似然函数，当达到设置的迭代次数后，将似然函数的相关参数传递到m0内核中的推理算法部分，启动自学习算法的推理，即在m0内核中同时执行两套算法，得到两个通道的算法推理结果，此时提交给现场人员进行判别，根据现场人员介入判断的情况，交互式自学习装置会自动评判是否可以让自学习推理模型接管传统算法模型，一旦确认接管，m0内核中的传统经典算法将被永久放弃(除非用户将交互式自学习装置恢复成出厂状态)。
68.也即意味着，在出厂时具有完全相同特性的交互式自学习装置，在自学习算法下，
各自朝向更贴合当前环境的个性化方向变化，此时m0内核仅运行自学习推理算法，m4内核仍然执行训练算法，现场人员对推理结果进行判别，进一步提升模型的准确率，当损失函数低于预设值时，表明交互式自学习装置已经适应当前工作状况，各项环境非线性变量的扰动处于一个稳定状态。
69.在一些实施例中，交互式自学习装置还包括内置的电池模块，所述电池模块与微处理器模块电连接。针对由电池模块供电的交互式自学习装置，为降低能耗，常态下m4内核会暂停训练；仅当又有新的状况发生，造成判断结果的准确率低于预设值时，m4内核才会重新启动针对新环境变量的训练学习，换言之，当状态报警的准确率低于预设值时，所述m4内核启动训练。对于有连续的外部电源供应的交互式自学习装置，m4内核则会一直处于不断的训练学习过程，即实时更新m0内核中的推理模型。
70.与传统传感器的算法在出厂前一次性永久固化不同，本发明提供的交互式自学习装置是仅在出厂前固化一个基本算法框架，具体的各项算法参数，是在交互式自学习装置部署到用户现场后，通过与用户交互学习，不断地跟随环境迭代升级的，这样就演化出一个适应各自现场的智能算法，最终能够对复杂的环境作出准确的判断。
71.本发明提供的数据处理方法和交互式自学习装置具有如下优点：
72.1.采用了更加智能的算法，算法的执行过程完全在本地处理器中实现，链路短，实时性强；
73.2.通过动态自学习的数据处理方法，借助现场人员的经验，不断自动更新升级，能够更好的贴合现场的变化；
74.3.与现场人员的交互非常简单，只要求现场人员具备当前场景下的基本知识或常识，通过操作按钮应答交互式自学习装置的提问，回复“是”或“否”，即可辅助交互式自学习装置完成自学习过程。
75.综上所述，本发明提供的交互式自学习装置具备了内嵌自学习智能算法，能够很好的适应不同环境，同时只需要各自行业的一般技术人员配合，而无需专业的人工智能算法专家的介入，就能够完成快速的落地部署，进而形成各行各业的快速广泛应用。
76.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种数据处理方法，其特征在于，包括以下步骤：s1：获取目标参数，并进入正常推理运行状态；s2：判断是否出现状态报警；若否，则返回执行所述步骤s1；若是，则暂停正常推理运行状态，并连续滚动存储多条当前数据至存储区；s3：主动请求人员介入判断当前报警是否真实，并根据判断结果对所述存储区内的数据进行标注；s4：进入训练状态，对存储区中的所述标注的数据进行训练并将所述训练后的各项数据存储至存储区；s5：重新进入所述正常推理运行状态的步骤。2.根据权利要求1所述的数据处理方法，其特征在于，所述正常推理运行状态在微处理器的第一运算核心执行，所述训练状态在微处理器的第二运算核心执行，所述第一运算核心与所述第二运算核心并行运行且共享存储区中的数据。3.根据权利要求1所述的数据处理方法，其特征在于，所述第一运算核心还执行预置的传统算法，所述传统算法用于执行基础任务。4.根据权利要求1所述的数据处理方法，其特征在于，在执行所述步骤s1前，还包括以下步骤：t1：设置初始参数，所述初始参数包括学习率和收敛值；t2：判断初始化是否完成；若否，则继续执行初始化过程；若是，则由人员介入判断是否触发训练模式；t3：若不触发训练模式，则将检测得到的环境物理量数据作为所述目标数据进行加载，并执行所述步骤s1；若触发训练模式，将每条实时输入的数据作为正样本进行训练，并根据收敛值判断是否结束训练；若否，则继续将每条实时输入的数据作为正样本进行训练；若是，则将所述训练状态训练得到的各项数据存储至存储区，并执行所述步骤s1。5.根据权利要求4所述的数据处理方法，其特征在于，所述训练状态在所述微处理器的第二运算核心执行。6.根据权利要求1所述的数据处理方法，其特征在于：所述步骤s2中，若出现状态报警，则暂停正常推理运行状态，并连续滚动存储100条当前数据至存储区。7.根据权利要求2所述的数据处理方法，其特征在于：还包括主动请求人员对正常推理运行状态是否收敛进行判断的步骤，若是，则表明所述正常推理运行状态满足收敛条件，此时所述第二运算核心暂停所述训练状态。8.一种交互式自学习装置，其特征在于：包括环境监测模块，所述环境监测模块用于监测环境物理量；应答操作模块，所述应答操作模块用于实现人员与交互式自学习装置的人机交互，以实现人员介入判断；微处理器模块，所述微处理器模块分别与环境监测模块及应答操作模块通信连接，且所述微处理器模块用于执行权利要求1-7任一项所述的数据处理方法；显示模块，所述显示模块用于显示所述数据处理方法中的各阶段状态。9.根据权利要求8所述的交互式自学习装置，其特征在于：所述环境监测模块为加速度
传感器、烟雾传感器、液位传感器、流量传感器和压力传感器中的任一种。10.根据权利要求8所述的交互式自学习装置，其特征在于：所述微处理器模块包括第一运算核心和第二运算核心。

技术总结
本发明公开了一种数据处理方法及交互式自学习装置，该数据处理方法包括以下步骤：S1、微处理器获取目标参数，并进入正常推理运行状态；S2、判断是否出现状态报警；若否，则返回执行步骤S1；若是，则暂停正常推理运行状态，并连续滚动存储多条目标数据至存储区；S3、主动请求人员介入判断当前报警是否真实，并根据判断结果对存储区内的数据进行标注；S4、进入训练状态，对存储区中的标注的数据进行训练并将训练后的各项数据存储至存储区；S5：重新进入正常推理运行状态的步骤。本发明通过动态自学习的数据处理方法，借助现场人员的经验，不断自动更新升级，能够更好的贴合现场的变化。能够更好的贴合现场的变化。能够更好的贴合现场的变化。


技术研发人员：王戟
受保护的技术使用者：上海骏图电子科技有限公司
技术研发日：2023.06.06
技术公布日：2023/8/21