(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211117261.2 (22)申请日 2022.09.14 (71)申请人 逸思长天(南京)数字智能科技有限 公司 地址 211305 江苏省南京市高淳区砖墙镇 竹园里138号砖墙经济园A区1幢207- 30号 (72)发明人 郭晨　 (74)专利代理 机构 东台金诚石专利代理事务所 (特殊普通 合伙) 32482 专利代理师 周松涛 (51)Int.Cl. G06N 20/20(2019.01) G06F 16/2458(2019.01) G06F 16/25(2019.01) (54)发明名称 一种基于组合的机器学习特征自动生成方 法 (57)摘要 本发明涉及MLops技术领域， 尤其为一种基 于组合的机器学习特征自动生成方法， 包括： MLops框架， 所述MLops框架包括多个连接单元； 面向故障智能诊断的数据采样技术， 所述面向故 障智能诊断的数据采样技术的输入端与所述 MLops框架 的输出端电性连接； 自动采样引擎包 括多个训练集， 实现对工作流的调用， 通过设置 的建模运行参数视图模块能够找到具体故障内 在的发生机理， 再通过深度强化学习模块实现不 必尝试所有组合即可得出最大概率最优的模型， 此过程人工参与程度少， 可用机器完成持续故障 机理探索， 逐步积累故障判断模型， 实现算法自 动探索、 模型自动迭代。 权利要求书3页 说明书6页 附图3页 CN 115438806 A 2022.12.06 CN 115438806 A 1.一种基于组合的机器学习特 征自动生成方法， 其特 征在于， 包括： MLops框架(1)， 所述ML ops框架(1)包括多个连接单 元； 面向故障智能诊断的数据采样技术(2)， 所述面向故障智能诊断的数据采样技术(2)的 输入端与所述ML ops框架(1)的输出端电性连接； AutoFE+AutoML自动建模技术(3)， 所述AutoFE+AutoML自动建模技术(3)的输入端与所 述MLops框架(1)的输出端电性连接； 基于增量学习的模型集成技术(4)， 所述基于增量学习的模型集成技术(4)的输入端与 所述MLops框架(1)的输出端电性连接； 流量治理的模型灰度发布模块(5)， 所述流量治理的模型灰度发布模块(5)的输入端与 所述MLops框架(1)的输出端电性连接 。 2.根据权利要求1所述的一种基于组合的机器学习特征自动 生成方法， 其特征在于： 所 述面向故障智能诊断的数据采样技 术(2)包括： 上采样模块(6)， 所述上采样模块(6)的输入端与所述面向故障智能诊断的数据采样技 术(2)的输入端电性连接； 基于迁移学习的故障数据生成模块(7)， 所述基于迁移学习的故障数据生成模块(7)的 输入端与所述 面向故障智能诊断的数据采样技 术(2)的输入端电性连接； 增强学习的样本生成模块(8)， 所述增强学习的样本生成模块(8)的输入端与所述面向 故障智能诊断的数据采样技 术(2)的输入端电性连接； 下采样模块(9)， 所述下采样模块(9)的输入端与所述面向故障智能诊断的数据采样技 术(2)的输入端电性连接； 湖仓一体技术模块(19)， 所述上采样模块(6)、 基于迁移学习的故障数据 生成模块(7)、 增强学习的样本生成模块(8)和下采样模块(9)的输出端均与所述湖仓一体技术模块(19) 的输入端电性连接， 在湖仓一体技术模块(19)技术的支撑下， 此处可以仅保存数据生成逻 辑， 不另行存 储数据， 节约存 储空间。 3.根据权利要求2所述的一种基于组合的机器学习特征自动 生成方法， 其特征在于： 所 述面向故障智能诊断的数据采样技 术(2)还包括： 接口调用模块(20)， 所述接口调用模块(20)与数据输入端口连接， 所述湖仓一体技术 模块(19)和接口调用模块(20)的流 量输出端与自动流 量治理模块(21)的输入端电性连接； 自动采样引擎(22)， 所述自动采样引擎(22)的输入端与所述自动流量治 理模块(21)的 输出端电性连接， 所述自动采样引擎(2 2)包括多个训练集， 实现对工作流的调用。 4.根据权利要求1所述的一种基于组合的机器学习特征自动 生成方法， 其特征在于： 所 述AutoFE+AutoML自动建模技 术(3)包括： 特征工程手段模块(10)， 所述特征工程手段模块(10)的输入端与所述AutoFE+AutoML 自动建模技 术(3)的输出端电性连接； 机器学习 建模模块(11)， 所述机器学习 建模模块(11)的输入端与所述AutoFE+AutoML 自动建模技 术(3)的输出端电性连接； 建模运行参数视图模块(12)， 所述建模运行参数视图模块(12)的输入端与所述AutoFE +AutoML自动建模技 术(3)的输出端电性连接； 深度强化学习模块(13)， 所述深度强化学习模块(13)的输入端与所述AutoFE+AutoML权　利　要　求　书 1/3 页 2 CN 115438806 A 2自动建模技术(3)的输出端电性连接， 通过设置的建模运行参数视图模块(12)能够找到具 体故障内在的发生机理， 再通过深度强化学习模块(13)实现不必尝试所有组合即可得出最 大概率最优的模型， 此过程人工参与程度少， 可用机器完成持续 故障机理探索， 逐步积累故 障判断模型。 5.根据权利要求4所述的一种基于组合的机器学习特征自动 生成方法， 其特征在于： 所 述AutoFE+AutoML自动建模技 术(3)还包括： 自动化训练模块(23)， 所述自动化训练模块(23)的输入端与所述自动采样引擎(22)的 输入端电性连接， 所述自动化训练模块(23)包括AutoFE以及更先进的AutoML， 实现自动强 化学习。 6.根据权利要求1所述的一种基于组合的机器学习特征自动 生成方法， 其特征在于： 所 述基于增量学习的模型集成技 术(4)包括： 增量学习模块(14)， 所述增量学习模块(14)的输入端与所述基于增量学习的模型集成 技术(4)的输出端电性连接； 真实流量迭代模块(15)， 所述真实流量迭代模块(15)的输入端与所述基于增量学习的 模型集成技 术(4)的输出端电性连接； 模型精度排名模块(16)， 所述模型精度排名模块(16)的输入端与所述基于增量学习的 模型集成技术(4)的输出端电性连接， 使用增量学习模块(14)的相关技术， 利用真实流量迭 代每个时期的最优Aut oML模型， 并对模 型精度排名， 根据排名确定权重， 最 终形成多重视角 的大模型， 能够增强模型的判断能力。 7.根据权利要求6所述的一种基于组合的机器学习特征自动 生成方法， 其特征在于： 所 述基于增量学习的模型集成技 术(4)还包括： 自动模型集成模块(24)， 所述自动模型集成模块(24)的输入端与所述自动化训练模块 (23)和自动流量治理模块(21)的输出端电性连接， 所述自动模 型集成模块(24)的呢不包含 多个集成模型， 实现对自动流量治理模块(21)和自动化训练模块(23)的自动集成， 所述 自 动流量治理模块(21)将用于验证模型表现 的流量输入自动模型集成模块(24)的内部进行 集成。 8.根据权利要求1所述的一种基于组合的机器学习特征自动 生成方法， 其特征在于： 所 述流量治理的模型 灰度发布模块(5)包括： 模型API发布模块(17)， 所述模型API发布模块(17)的输入端与所述流量治 理的模型灰 度发布模块(5)的输入端电性连接； 工作流运算节点发布模块(18)， 所述工作 流运算节点发布模块(18)的输入端与所述流 量治理的模型 灰度发布模块(5)的输入端电性连接 。 9.根据权利要求8所述的一种基于组合的机器学习特征自动 生成方法， 其特征在于： 所 述流量治理的模型 灰度发布模块(5)还 包括： RESTful服务模块(25)， 所述RESTful服务模块(25)与所述自动 模型集成模块(24)的输 出端电性连接； 数据加工节点(26)， 所述数据加工节点(26)与所述自动模型集成模块(24)的输出端电 性连接， 所述自动模型集成模块(24)自动上线在当下流量中表现最好的模型并输入 RESTful服务模块(25)和数据加工节点(26)的内部， 所述RESTful服务模块(25)和数据加工权　利　要　求　书 2/3 页 3 CN 115438806 A 3