基于样本信号的修改对目标模型进行训练的方法及系统与流程

1.本发明涉及人工智能技术领域，并且更具体地，涉及一种基于样本信号的修改对目标模型进行训练的方法及系统。


背景技术：

2.目前，随着人工智能技术的发展，大量机器学习算法不断涌现。机器学习算法特别是深度学习近年来取得了极大的成功，而数据才是使机器学习成为可能的关键因素。技术人员可以使用简单的算法实现机器学习，但是没有好的数据无法对算法进行优化。
3.由此可知，在基于机器学习的模型训练中，样本信号/样本数据的数据质量影响着模型的训练效果。然而，在实际情况中，部分类型的设备在运行中出现故障的次数或比率较低，因此这种类型的设备的正常运行的样本信号/样本数据的数据量比较大，而异常运行或故障时的样本信号/样本数据的数据量较小。在这种情况下，较小数据量的异常样本信号/样本数据无法满足模型训练或测试的需求。


技术实现要素：

4.为了解决现有技术中的上述问题，本技术提出一种基于信号修改的模型训练方法及系统。本技术的基于信号修改的模型训练方法及系统适用于各种预定算法，包括机器学习算法，拟合算法等。
5.根据本发明的一个方面，提供一种基于样本信号的修改对目标模型进行训练的方法，所述方法包括：
6.从多个模型中选择需要进行训练的目标模型，获取所述目标模型的配置文件；
7.基于所述目标模型的配置文件确定所述目标模型所涉及的对象设备，以及确定与所述对象设备相关联的多种样本信号；
8.在所述对象设备正常运行时，对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合；
9.根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改，以获取与正常样本集合相对应的异常样本集合；
10.基于正常样本集合、异常样本集合以及预先设定的训练算法对目标模型进行训练，从而获得经过训练的目标模型。
11.所述多种样本信号包括：振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。
12.所述至少两种样本信号之中的至少一种样本信号是通过紧贴在设备外壳的传感器采集的振动/声发射信号。
13.所述至少两种样本信号之中的至少一种样本信号是在设备外部采集的声音信号。
14.根据本发明的还一个方面，提供一种基于样本信号的修改对目标模型进行测试的方法，所述方法包括：
15.确定需要进行测试的目标模型并获得目标模型的配置文件；
16.基于所述目标模型的配置文件确定所述目标模型所涉及的对象设备，以及确定与所述对象设备相关联的多种样本信号；
17.在所述对象设备正常运行时，对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合；
18.根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改，以获取与正常样本集合相对应的异常样本集合；
19.基于正常样本集合和异常样本集合对目标模型进行测试，从而基于测试结果确定目标模型的性能指标。
20.根据本发明的还一个方面，提供一种基于样本信号的修改对目标模型进行训练的系统，所述系统包括：
21.选择装置，用于从多个模型中选择需要进行训练的目标模型，获取所述目标模型的配置文件；
22.确定装置，用于基于所述目标模型的配置文件确定所述目标模型所涉及的对象设备，以及确定与所述对象设备相关联的多种样本信号；
23.获取装置，用于在所述对象设备正常运行时，对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合；
24.修改装置，用于根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改，以获取与正常样本集合相对应的异常样本集合；
25.训练装置，用于基于正常样本集合、异常样本集合以及预先设定的训练算法对目标模型进行训练，从而获得经过训练的目标模型。
26.所述多种样本信号包括：振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。
27.所述至少两种样本信号之中的至少一种样本信号是通过紧贴在设备外壳的传感器采集的振动/声发射信号。
28.所述至少两种样本信号之中的至少一种样本信号是在设备外部采集的声音信号。
29.根据本发明的还一个方面，提供一种基于样本信号的修改对目标模型进行测试的系统，所述系统包括：
30.获得装置，用于确定需要进行测试的目标模型并获得目标模型的配置文件；
31.确定装置，用于基于所述目标模型的配置文件确定所述目标模型所涉及的对象设备，以及确定与所述对象设备相关联的多种样本信号；
32.获取装置，用于在所述对象设备正常运行时，对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合；
33.修改装置，用于根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改，以获取与正常样本集合相对应的异常样本集合；
34.测试装置，用于基于正常样本集合和异常样本集合对目标模型进行测试，从而基于测试结果确定目标模型的性能指标。
35.根据本发明的还一个方面，提供一种基于信号修改的模型训练方法，首先生成大量正常样本和异常样本，然后再使用样本和设定算法训练一个模型，用于对对象设备的状
态进行诊断、判别或识别。其中，
36.所述正常样本通过采集或者仿真对象设备正常运行情况下的两种以上信号生成。(样本信号的种类包括但不限于振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像、亮度，还可以是多种信号的组合)
37.所述异常样本通过修改正常样本中的某种信号生成。
38.其中修改正常样本中的某种信号是按照幅值、幅值平方、能量值、能量值平方或者它们的比例修改某种信号。
39.其中，训练过程中还通过减小异常样本中信号修改的量，从而获得更高精度的模型。
40.根据本发明的再一方面，提供一种基于信号修改的模型评价方法，所述模型用于对对象设备的状态进行诊断、判别或识别。其中：
41.通过采集或者仿真对象设备正常运行情况下的两种以上信号生成正常样本。
42.通过修改正常样本中的某种信号生成异常样本。
43.用所述正常样本、异常样本对所述模型进行测试，再根据测试结果评价模型的性能。
44.其中修改正常样本中的某种信号是按照幅值、幅值平方、能量值、能量值平方或者它们的比例修改信号。
45.其中，训练过程中还通过减小异常样本中信号修改的量，从而评价模型的精度。
46.本发明的技术方案能有效地并且准确地获取异常样本或负样本，并且通过所获取的异常样本或负样本，以正常样本或正样本进行结合对模型进行训练或测试。通过本发明的技术方案的模型训练和测试技术，能够获得识别准确率更好的模型。本发明的方法或系统所获得的模型检测效果好，技术难度和成本都比较低，可以广泛应用与各种设备进行识别的方案中。
附图说明
47.通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
48.图1为根据本发明实施方式的基于样本信号的修改对目标模型进行训练的方法的流程图；
49.图2为根据本发明实施方式的基于样本信号的修改对目标模型进行测试的方法的流程图；
50.图3为根据本发明实施方式的基于样本信号的修改对目标模型进行训练的系统的结构示意图；
51.图4为根据本发明实施方式的基于样本信号的修改对目标模型进行测试的系统的结构示意图。
具体实施方式
52.图1为根据本发明实施方式的基于样本信号的修改对目标模型进行训练的方法100的流程图。方法100从步骤101处开始。
53.在步骤101，从多个模型中选择需要进行训练的目标模型，获取所述目标模型的配
置文件。在工业生产或设备运行的实际场景中，各种类型和/或各种尺寸的设备被广泛应用于各个位置、生产环节、监控环节等。为此，如果需要确定任意一种设备的运行状态，或获取任意一种设备的参数等，需要获取每个不同类型的设备的模型或设备模型。通常，每个不同类型的设备的模型或设备模型可以用于确定设备的运行状态、获取设备的运行参数等。为此，在需要对特定设备的模型进行训练或测试时，需要从与多个不同设备各自相关联的模型或设备模型中选择需要进行训练的目标模型。
54.通常，每个模型或设备模型均具有配置文件，并且配置文件用于描述模型或设备模型的多种属性。多种属性例如是：输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称、设备标识符等。为此，目标模型具有多种属性，并且例如，通过目标模型的配置文件可以确定目标模型的设备类型、设备名称、设备标识符等。
55.在步骤102，基于所述目标模型的配置文件确定所述目标模型所涉及的对象设备，以及确定与所述对象设备相关联的多种样本信号。如上所述，通过目标模型的配置文件可以确定目标模型的设备类型、设备名称、设备标识符等。并且进一步地，可以通过对目标模型的配置文件进行解析来确定目标模型所涉及的对象设备。对象设备可以是任意类型的设备。此外，目标模型的配置文件中还可以包括与对象设备相关联的多种样本信号的信息。可替换地，在确定了目标模型所涉及的对象设备之后，利用对象设备的设备标识符或设备名称可以在样本信号信息库中进行检索，以获取与对象设备相关联的多种样本信号的信息。
56.其中多种样本信号包括以下内容中的一种或多种：振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。通常，可以使用振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种样本信号来表征、训练、测试、描述对象设备。应当了解的是，本技术仅是以振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度为例进行描述，所属领域技术人员应当了解的是，本技术可以使用任何合理的样本信号。在实际场景中，可以使用各种类型的传感器来获取振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的任意一个。
57.在步骤103，在所述对象设备正常运行时，对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合。
58.正常样本集合是对象设备在正常运行时，利用传感器所采集的诸如振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种的样本信号或数据所构成的样本信号。在本技术中，为了使经过训练或测试的目标模型的模型准确度更高，本技术对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合。
59.举例来说，至少两种样本信号为振动信号、声音信号和电压信号，正常样本集合中的包括以样本的采样时间顺序排列的多个样本，其中每个样本包括振动信号、声音信号和电压信号，并且每个样本具有采样时间。即，正常样本集合中的每个样本为具有采样时间的并且包括在所述采样时间处的每种样本信号的信号组或信号集。在对样本数据进行存储时，可以使正常样本集合中包括至少两个样本子集，每个样本子集为振动样本信号子集、声发射样本信号子集、声音样本信号子集或电场强度样本信号子集等。应当了解到是，信号子集的划分方式仅是为了数据存储或数据展示。实际上，每个样本包括至少两种样本信号中
的每种样本信号。可替换地，正常样本集合中包括多个样本信号组，每个样本信号组包括单个振动样本信号、单个声发射样本信号和单个声音样本信号，例如每个样本信号组为<振动样本信号、声发射样本信号、声音样本信号>。应当了解的是，每个样本信号组可以被认为是正常样本集合中的一个样本。
60.举例来说，至少两种样本信号之中的至少一种样本信号是通过紧贴在对象设备的设备外壳的传感器采集的振动/声发射信号。或者，至少两种样本信号之中的至少一种样本信号是在对象设备的设备外部采集的声音信号。在实际情况中，可以将传感器设置为紧贴在设备或对象设备的外壳处、将传感器设置在设备或对象设备的外部或将传感器设置在设备或对象的内部。
61.在步骤104，根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改，以获取与正常样本集合相对应的异常样本集合。在实际情况中，运行状态稳定的设备在实际运行中出现故障的次数较少或故障比率较低，因此这种类型的设备的正常运行的样本信号/样本数据的数据量比较大，而异常运行或故障时的样本信号/样本数据的数据量较小。在这种情况下，通常难以获得足够的异常样本信号。为此，本技术根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改。
62.其中预设的修改方式包括：为幅值、幅值平方、能量值或能量值平方，增加或减少相应的修改量，以使得增加或减少相应的修改量的幅值、幅值平方、能量值或能量值平方的所属取值或者取值区间发生变化。例如，为对象设备的正常样本集合中的幅值样本信号增加或减少相应的修改量k、为对象设备的正常样本集合中的幅值平方样本信号增加或减少相应的修改量b、为对象设备的正常样本集合中的能量值样本信号增加或减少相应的修改量c或为对象设备的正常样本集合中的能量值平方样本信号增加或减少相应的修改量d，从而使得对象设备的正常样本集合中的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号变为异常运行或故障运行时的样本信号。由此，根据对象设备的异常运行或故障运行时的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号构成与正常样本集合相对应的异常样本集合。
63.其中预设的修改方式还包括：为幅值、幅值平方、能量值或能量值平方，升高或降低相应的比率，以使得升高或降低相应的比率的幅值、幅值平方、能量值或能量值平方的所属取值或者取值区间发生变化。例如，为对象设备的正常样本集合中的幅值样本信号升高或降低相应的比率e、为对象设备的正常样本集合中的幅值平方样本信号升高或降低相应的比率f、为对象设备的正常样本集合中的能量值样本信号升高或降低相应的比率g或为对象设备的正常样本集合中的能量值平方样本信号升高或降低相应的比率h，从而使得对象设备的正常样本集合中的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号变为异常运行或故障运行时的样本信号。由此，根据对象设备的异常运行或故障运行时的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号构成与正常样本集合相对应的异常样本集合。
64.此外，预设的修改方式还包括：为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量。如上所述，幅值、幅值平方、能量值或能量值平方可以具有各自的稳态修改量。
65.其中为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量包
括：统计正常样本集合中幅值、幅值平方、能量值或能量值平方的稳态修改量
△
y对应参量的最大值ymax和最小值ymin；设定调整目标系数a，其中0<a<1；统计待修改的样本的稳态修改量
△
y的对应参量的值ysignal；
66.计算稳态修改量
△
y＝ymin a
×
(ymax
‑
ymin)
‑
ysignal，
67.为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量
△
y。
68.其中调整目标系数a由一个固定值和一个由概率模型产生的随机值相加得到，并且满足0<a<1。例如，a＝m1 m2，其中m1为固定值，并且m2为由概率模型产生的随机值。
69.在步骤105，基于正常样本集合、异常样本集合以及预先设定的训练算法对目标模型进行训练，从而获得经过训练的目标模型。其中，预先设定的训练算法可以是人工智能领域、深度学习领域、机器学习算法领域中任意的合理的训练算法。在获得经过训练的目标模型之后，将对象设备在实际运行中所产生的实际信号输入经过训练的目标模型，从而利用经过训练的目标模型对所述对象设备的运行状态进行诊断、判别或识别，从而确定所述对象设备处于正常状态、异常状态或其他任何状态。即，目标模型能够根据所采集的样本信号对对象设备的运行状态进行诊断、判别或识别，从而确定所述对象设备处于正常状态、异常状态或其他任何状态。
70.将预先存储的第一测试样本集合输入经过训练的目标模型，使得经过训练的目标模型诊断、判别或识别对象设备的结果状态，获取与预先存储的第一测试样本集合相对应的验证状态。其中验证状态可以分别对应于第一测试样本集合每个样本信号组或样本子集。
71.确定验证状态与结果状态的差异度，当差异度小于或等于预定阈值时，确定经过训练的目标模型符合要求。由于第一测试样本集合中每个样本信号组或样本子集所对应的对象设备的结果状态是已知的或预先确定的，为此可以将验证状态与结果状态的差异度作为确定目标模型准确度的基础。例如，当特定的一组测试样本信号输入到经过训练的目标模型后，得到的验证状态为对象设备的正常状态与异常状态的比率为95:5，而已知的或预先确定的结果状态中对象设备的正常状态与异常状态的比率为99:1。由此可知，差异度为4％＝(99
‑
95)/(99 1)。预定阈值是预先设置的差异度阈值，预定阈值或差异度阈值可以被认为是对目标模型的诊断、判别或识别的准确度的最低要求。例如，当预定阈值为5％时，差异度为4％，差异度小于预定阈值，则确定经过训练的目标模型符合要求。当预定阈值为2％时，差异度为4％，差异度大于预定阈值，确定经过训练的目标模型不符合要求。
72.可替换地，在获取包括所述至少两种样本信号的正常样本集合，以及获取与正常样本集合相对应的异常样本集合之后，将正常样本集合分为第一正常样本子集合和第二正常样本子集合，将异常样本集合分为第一异常样本子集合和第二异常样本子集合。其中第一正常样本子集合和第二正常样本子集合中(正常样本的样本信号或正常样本信号)样本信号的第一数量比例为3:7，5:5，6:4等任意合理比例。其中第一异常样本子集合和第二异常样本子集合中(异常样本的样本信号或异常样本信号)样本信号的第二数量比例为3:7，5:5，6:4等任意合理比例。其中，第一数量比例与第二数量比例可以相等或不相等。
73.基于第一正常样本集合、第一异常样本集合以及预先设定的训练算法对目标模型进行训练，从而获得经过训练的目标模型。其中，预先设定的训练算法可以是人工智能领域、深度学习领域、机器学习算法领域中任意的合理的训练算法。
74.优选地，利用第二正常样子集合和第二异常样本子集合构成第二测试样本集合，将第二测试样本集合输入经过训练的目标模型，使得经过训练的目标模型诊断、判别或识别对象设备的结果状态，获取与预先存储的第二测试样本集合相对应的验证状态；确定验证状态与结果状态的差异度。当差异度小于或等于预定阈值时，确定经过训练的目标模型符合要求；当差异度大于预定阈值时，确定经过训练的目标模型不符合要求。
75.优选地，还包括，通过减小所述修改量，获得经过调整的异常样本集合，基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对目标模型进行训练，从而获得经过训练的高精度目标模型。例如，在为幅值、幅值平方、能量值或能量值平方，增加或减少相应的修改量，以使得增加或减少相应的修改量的幅值之后，通过减小所述修改量，获得经过调整的异常样本集合。
76.还包括，通过减小所述比率，获得经过调整的异常样本集合，基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对目标模型进行训练，从而获得经过训练的高精度目标模型。例如，在为幅值、幅值平方、能量值或能量值平方，升高或降低相应的比率之后还包括，减小所述比率，获得经过调整的异常样本集合。
77.图2为根据本发明实施方式的基于样本信号的修改对目标模型进行测试的方法200的流程图。方法200从步骤201处开始。
78.在步骤201，确定需要进行测试的目标模型并获得目标模型的配置文件。在工业生产或设备运行的实际场景中，各种类型和/或各种尺寸的设备被广泛应用于各个位置、生产环节、监控环节等。为此，如果需要确定任意一种设备的运行状态，或获取任意一种设备的参数等，需要获取每个不同类型的设备的模型或设备模型。通常，每个不同类型的设备的模型或设备模型可以用于确定设备的运行状态、获取设备的运行参数等。为此，在进行测试前，确定需要进行测试的目标模型。
79.通常，每个模型或设备模型均具有配置文件，并且配置文件用于描述模型或设备模型的多种属性。多种属性例如是：输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称、设备标识符等。为此，目标模型具有多种属性，并且例如，通过目标模型的配置文件可以确定目标模型的设备类型、设备名称、设备标识符等。
80.在步骤202，基于所述目标模型的配置文件确定所述目标模型所涉及的对象设备，以及确定与所述对象设备相关联的多种样本信号。如上所述，通过目标模型的配置文件可以确定目标模型的设备类型、设备名称、设备标识符等。并且进一步地，可以通过对目标模型的配置文件进行解析来确定目标模型所涉及的对象设备。对象设备可以是任意类型的设备。此外，目标模型的配置文件中还可以包括与对象设备相关联的多种样本信号的信息。可替换地，在确定了目标模型所涉及的对象设备之后，利用对象设备的设备标识符或设备名称可以在样本信号信息库中进行检索，以获取与对象设备相关联的多种样本信号的信息。
81.其中多种样本信号包括：振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。通常，可以使用振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种样本信号来表征、训练、测试、描述对象设备。应当了解的是，本技术仅是以振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度为例进行描述，所属领域技术人员应当了解的是，本技术可以使用任何合理的样本信号。在实际场景中，可以使用各种类型的
传感器来获取振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的任意一个。
82.在步骤203，在所述对象设备正常运行时，对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合。
83.正常样本集合是对象设备在正常运行时，利用传感器所采集的诸如振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种的样本信号或数据所构成的样本信号。在本技术中，为了使经过训练或测试的目标模型的模型准确度更高，本技术对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合。
84.举例来说，至少两种样本信号为振动信号、声音信号和电压信号，正常样本集合中的包括以样本的采样时间顺序排列的多个样本，其中每个样本包括振动信号、声音信号和电压信号，并且每个样本具有采样时间。即，正常样本集合中的每个样本为具有采样时间的并且包括在所述采样时间处的每种样本信号的信号组或信号集。在对样本数据进行存储时，可以使正常样本集合中包括至少两个样本子集，每个样本子集为振动样本信号子集、声发射样本信号子集、声音样本信号子集或电场强度样本信号子集等。应当了解到是，信号子集的划分方式仅是为了数据存储或数据展示。实际上，每个样本包括至少两种样本信号中的每种样本信号。可替换地，正常样本集合中包括多个样本信号组，每个样本信号组包括单个振动样本信号、单个声发射样本信号和单个声音样本信号，例如每个样本信号组为<振动样本信号、声发射样本信号、声音样本信号>。应当了解的是，每个样本信号组可以被认为是正常样本集合中的一个样本。
85.举例来说，至少两种样本信号之中的至少一种样本信号是通过紧贴在设备外壳的传感器采集的振动/声发射信号。或者，至少两种样本信号之中的至少一种样本信号是在设备外部采集的声音信号。在实际情况中，可以将传感器设置为紧贴在设备或对象设备的外壳处、将传感器设置在设备或对象设备的外部或将传感器设置在设备或对象的内部。
86.在步骤204，根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改，以获取与正常样本集合相对应的异常样本集合。在实际情况中，运行状态稳定的设备在实际运行中出现故障的次数较少或故障比率较低，因此这种类型的设备的正常运行的样本信号/样本数据的数据量比较大，而异常运行或故障时的样本信号/样本数据的数据量较小。在这种情况下，通常难以获得足够的异常样本信号。为此，本技术根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改。
87.其中预设的修改方式包括：为幅值、幅值平方、能量值或能量值平方，增加或减少相应的修改量，以使得增加或减少相应的修改量的幅值、幅值平方、能量值或能量值平方的所属取值或者取值区间发生变化。例如，为对象设备的正常样本集合中的幅值样本信号增加或减少相应的修改量k、为对象设备的正常样本集合中的幅值平方样本信号增加或减少相应的修改量b、为对象设备的正常样本集合中的能量值样本信号增加或减少相应的修改量c或为对象设备的正常样本集合中的能量值平方样本信号增加或减少相应的修改量d，从而使得对象设备的正常样本集合中的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号变为异常运行或故障运行时的样本信号。由此，根据对象设备的异常运行或故障运行时的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方
样本信号构成与正常样本集合相对应的异常样本集合。
88.其中预设的修改方式包括：为幅值、幅值平方、能量值或能量值平方，升高或降低相应的比率，以使得升高或降低相应的比率的幅值、幅值平方、能量值或能量值平方的所属取值或者取值区间发生变化。例如，为对象设备的正常样本集合中的幅值样本信号升高或降低相应的比率e、为对象设备的正常样本集合中的幅值平方样本信号升高或降低相应的比率f、为对象设备的正常样本集合中的能量值样本信号升高或降低相应的比率g或为对象设备的正常样本集合中的能量值平方样本信号升高或降低相应的比率h，从而使得对象设备的正常样本集合中的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号变为异常运行或故障运行时的样本信号。由此，根据对象设备的异常运行或故障运行时的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号构成与正常样本集合相对应的异常样本集合。
89.此外，预设的修改方式还包括：为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量。如上所述，幅值、幅值平方、能量值或能量值平方可以具有各自的稳态修改量。
90.其中为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量包括：
91.统计正常样本集中幅值、幅值平方、能量值或能量值平方的稳态修改量
△
y对应参量的最大值ymax和最小值ymin；
92.设定调整目标系数a，其中0<a<1；
93.统计待修改的样本的稳态修改量
△
y的对应参量的值ysignal；
94.计算稳态修改量
△
y＝ymin a
×
(ymax
‑
ymin)
‑
ysignal，
95.为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量
△
y。
96.调整目标系数a由一个固定值和一个由概率模型产生的随机值相加得到，并且满足0<a<1。例如，a＝m1 m2，其中m1为固定值，并且m2为由概率模型产生的随机值。
97.在步骤205，基于正常样本集合和异常样本集合对目标模型进行测试，从而基于测试结果确定目标模型的性能指标。目标模型能够根据所采集的样本信号对对象设备的运行状态进行诊断、判别或识别，从而确定所述对象设备处于正常状态、异常状态或其他任何状态。其中目标模型的性能指标可以包括目标模型的诊断精度、判别精度或识别精度。
98.基于正常样本集合和异常样本集合对目标模型进行测试，从而基于测试结果确定目标模型的性能指标包括：将正常样本集合和异常样本集合分别或依次输入经过训练的目标模型，使得经过训练的目标模型诊断、判别或识别对象设备的结果状态，获取与正常样本集合和/或异常样本集相对应的验证状态。确定基于验证状态确定结果状态的正确比率，基于正确比率确定测试结果并基于测试结果确定目标模型的性能指标。例如，在将正常样本集合和异常样本集合分别或依次输入经过训练的目标模型后，经过训练的目标模型诊断、判别或识别对象设备的结果状态100次，基于验证状态确定100次结果状态中诊断、判别或识别正确的次数为99次，那么基于验证状态确定结果状态的正确比率为99/100＝99％，那么测试结果为99％。
99.根据一个实施方式，当测试结果大于或等于97％时，确定目标模型的性能指标为高精度，当测试结果小于97％并且大于或等于90％时，确定目标模型的性能指标为中精度，
以及当测试结果小于90％时，确定目标模型的性能指标为低精度。
100.优选地，还包括，通过减小所述比率，获得经过调整的异常样本集合，基于正常样本集合和经过调整的异常样本集合对目标模型进行测试，从而确定目标模型的诊断精度、判别精度或识别精度。例如，在为幅值、幅值平方、能量值或能量值平方，升高或降低相应的比率之后还包括，减小所述比率，获得经过调整的异常样本集合。
101.优选地，还包括，通过减小所述修改量，获得经过调整的异常样本集合，基于正常样本集合和经过调整的异常样本集合对目标模型进行测试，从而确定目标模型的诊断精度、判别精度或识别精度。例如，在为幅值、幅值平方、能量值或能量值平方，增加或减少相应的修改量，以使得增加或减少相应的修改量的幅值之后，通过减小所述修改量，获得经过调整的异常样本集合。
102.图3为根据本发明实施方式的基于样本信号的修改对目标模型进行训练的系统300的结构示意图。系统300包括：选择装置301、确定装置302、获取装置303、修改装置304、训练装置305以及识别装置306。
103.选择装置301，用于从多个模型中选择需要进行训练的目标模型，获取所述目标模型的配置文件。在工业生产或设备运行的实际场景中，各种类型和/或各种尺寸的设备被广泛应用于各个位置、生产环节、监控环节等。为此，如果需要确定任意一种设备的运行状态，或获取任意一种设备的参数等，需要获取每个不同类型的设备的模型或设备模型。通常，每个不同类型的设备的模型或设备模型可以用于确定设备的运行状态、获取设备的运行参数等。为此，在需要对特定设备的模型进行训练或测试时，需要从与多个不同设备各自相关联的模型或设备模型中选择需要进行训练的目标模型。
104.通常，每个模型或设备模型均具有配置文件，并且配置文件用于描述模型或设备模型的多种属性。多种属性例如是：输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称、设备标识符等。为此，目标模型具有多种属性，并且例如，通过目标模型的配置文件可以确定目标模型的设备类型、设备名称、设备标识符等。
105.确定装置302，用于基于所述目标模型的配置文件确定所述目标模型所涉及的对象设备，以及确定与所述对象设备相关联的多种样本信号。如上所述，通过目标模型的配置文件可以确定目标模型的设备类型、设备名称、设备标识符等。并且进一步地，可以通过对目标模型的配置文件进行解析来确定目标模型所涉及的对象设备。对象设备可以是任意类型的设备。此外，目标模型的配置文件中还可以包括与对象设备相关联的多种样本信号的信息。可替换地，在确定了目标模型所涉及的对象设备之后，利用对象设备的设备标识符或设备名称可以在样本信号信息库中进行检索，以获取与对象设备相关联的多种样本信号的信息。
106.其中多种样本信号包括以下内容中的一种或多种：振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。通常，可以使用振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种样本信号来表征、训练、测试、描述对象设备。应当了解的是，本技术仅是以振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度为例进行描述，所属领域技术人员应当了解的是，本技术可以使用任何合理的样本信号。在实际场景中，可以使用各种类型的传感器来获取振动、声音、速度、位移、应力、压力、电压、电流、功
率、电场强度、磁场强度、温度、图像和亮度中的任意一个。
107.获取装置303，用于在所述对象设备正常运行时，对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合。
108.正常样本集合是对象设备在正常运行时，利用传感器所采集的诸如振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种的样本信号或数据所构成的样本信号。在本技术中，为了使经过训练或测试的目标模型的模型准确度更高，本技术对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合。
109.举例来说，至少两种样本信号为振动信号、声音信号和电压信号，正常样本集合中的包括以样本的采样时间顺序排列的多个样本，其中每个样本包括振动信号、声音信号和电压信号，并且每个样本具有采样时间。即，正常样本集合中的每个样本为具有采样时间的并且包括在所述采样时间处的每种样本信号的信号组或信号集。在对样本数据进行存储时，可以使正常样本集合中包括至少两个样本子集，每个样本子集为振动样本信号子集、声发射样本信号子集、声音样本信号子集或电场强度样本信号子集等。应当了解到是，信号子集的划分方式仅是为了数据存储或数据展示。实际上，每个样本包括至少两种样本信号中的每种样本信号。可替换地，正常样本集合中包括多个样本信号组，每个样本信号组包括单个振动样本信号、单个声发射样本信号和单个声音样本信号，例如每个样本信号组为<振动样本信号、声发射样本信号、声音样本信号>。应当了解的是，每个样本信号组可以被认为是正常样本集合中的一个样本。
110.举例来说，至少两种样本信号之中的至少一种样本信号是通过紧贴在设备外壳的传感器采集的振动/声发射信号。或者，至少两种样本信号之中的至少一种样本信号是在设备外部采集的声音信号。在实际情况中，可以将传感器设置为紧贴在设备或对象设备的外壳处、将传感器设置在设备或对象设备的外部或将传感器设置在设备或对象的内部。
111.修改装置304，用于根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改，以获取与正常样本集合相对应的异常样本集合。在实际情况中，运行状态稳定的设备在实际运行中出现故障的次数较少或故障比率较低，因此这种类型的设备的正常运行的样本信号/样本数据的数据量比较大，而异常运行或故障时的样本信号/样本数据的数据量较小。在这种情况下，通常难以获得足够的异常样本信号。为此，本技术根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改。
112.其中预设的修改方式包括：为幅值、幅值平方、能量值或能量值平方，增加或减少相应的修改量，以使得增加或减少相应的修改量的幅值、幅值平方、能量值或能量值平方的所属取值或者取值区间发生变化。例如，为对象设备的正常样本集合中的幅值样本信号增加或减少相应的修改量k、为对象设备的正常样本集合中的幅值平方样本信号增加或减少相应的修改量b、为对象设备的正常样本集合中的能量值样本信号增加或减少相应的修改量c或为对象设备的正常样本集合中的能量值平方样本信号增加或减少相应的修改量d，从而使得对象设备的正常样本集合中的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号变为异常运行或故障运行时的样本信号。由此，根据对象设备的异常运行或故障运行时的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号构成与正常样本集合相对应的异常样本集合。
113.其中预设的修改方式还包括：为幅值、幅值平方、能量值或能量值平方，升高或降低相应的比率，以使得升高或降低相应的比率的幅值、幅值平方、能量值或能量值平方的所属取值或者取值区间发生变化。例如，为对象设备的正常样本集合中的幅值样本信号升高或降低相应的比率e、为对象设备的正常样本集合中的幅值平方样本信号升高或降低相应的比率f、为对象设备的正常样本集合中的能量值样本信号升高或降低相应的比率g或为对象设备的正常样本集合中的能量值平方样本信号升高或降低相应的比率h，从而使得对象设备的正常样本集合中的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号变为异常运行或故障运行时的样本信号。由此，根据对象设备的异常运行或故障运行时的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号构成与正常样本集合相对应的异常样本集合。
114.此外，预设的修改方式还包括：为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量。如上所述，幅值、幅值平方、能量值或能量值平方可以具有各自的稳态修改量。
115.其中为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量包括：统计正常样本集合中幅值、幅值平方、能量值或能量值平方的稳态修改量
△
y对应参量的最大值ymax和最小值ymin；设定调整目标系数a，其中0<a<1；统计待修改的样本的稳态修改量
△
y的对应参量的值ysignal；
116.计算稳态修改量
△
y＝ymin a
×
(ymax
‑
ymin)
‑
ysignal，
117.为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量
△
y。
118.其中调整目标系数a由一个固定值和一个由概率模型产生的随机值相加得到，并且满足0<a<1。例如，a＝m1 m2，其中m1为固定值，并且m2为由概率模型产生的随机值。
119.训练装置305，用于基于正常样本集合、异常样本集合以及预先设定的训练算法对目标模型进行训练，从而获得经过训练的目标模型。其中，预先设定的训练算法可以是人工智能领域、深度学习领域、机器学习算法领域中任意的合理的训练算法。在获得经过训练的目标模型之后，将对象设备在实际运行中所产生的实际信号输入经过训练的目标模型，从而利用经过训练的目标模型对所述对象设备的运行状态进行诊断、判别或识别，从而确定所述对象设备处于正常状态、异常状态或其他任何状态。即，目标模型能够根据所采集的样本信号对对象设备的运行状态进行诊断、判别或识别，从而确定所述对象设备处于正常状态、异常状态或其他任何状态。
120.将预先存储的第一测试样本集合输入经过训练的目标模型，使得经过训练的目标模型诊断、判别或识别对象设备的结果状态，获取与预先存储的第一测试样本集合相对应的验证状态。其中验证状态可以分别对应于第一测试样本集合每个样本信号组或样本子集。
121.确定验证状态与结果状态的差异度，当差异度小于或等于预定阈值时，确定经过训练的目标模型符合要求。由于第一测试样本集合中每个样本信号组或样本子集所对应的对象设备的结果状态是已知的或预先确定的，为此可以将验证状态与结果状态的差异度作为确定目标模型准确度的基础。例如，当特定的一组测试样本信号输入到经过训练的目标模型后，得到的验证状态为对象设备的正常状态与异常状态的比率为95:5，而已知的或预先确定的结果状态中对象设备的正常状态与异常状态的比率为99:1。由此可知，差异度为
4％＝(99
‑
95)/(99 1)。预定阈值是预先设置的差异度阈值，预定阈值或差异度阈值可以被认为是对目标模型的诊断、判别或识别的准确度的最低要求。例如，当预定阈值为5％时，差异度为4％，差异度小于预定阈值，则确定经过训练的目标模型符合要求。当预定阈值为2％时，差异度为4％，差异度大于预定阈值，确定经过训练的目标模型不符合要求。
122.可替换地，在获取包括所述至少两种样本信号的正常样本集合，以及获取与正常样本集合相对应的异常样本集合之后，将正常样本集合分为第一正常样本子集合和第二正常样本子集合，将异常样本集合分为第一异常样本子集合和第二异常样本子集合。其中第一正常样本子集合和第二正常样本子集合中(正常样本的样本信号或正常样本信号)样本信号的第一数量比例为3:7，5:5，6:4等任意合理比例。其中第一异常样本子集合和第二异常样本子集合中(异常样本的样本信号或异常样本信号)样本信号的第二数量比例为3:7，5:5，6:4等任意合理比例。其中，第一数量比例与第二数量比例可以相等或不相等。
123.基于第一正常样本集合、第一异常样本集合以及预先设定的训练算法对目标模型进行训练，从而获得经过训练的目标模型。其中，预先设定的训练算法可以是人工智能领域、深度学习领域、机器学习算法领域中任意的合理的训练算法。
124.优选地，利用第二正常样子集合和第二异常样本子集合构成第二测试样本集合，将第二测试样本集合输入经过训练的目标模型，使得经过训练的目标模型诊断、判别或识别对象设备的结果状态，获取与预先存储的第二测试样本集合相对应的验证状态；确定验证状态与结果状态的差异度。当差异度小于或等于预定阈值时，确定经过训练的目标模型符合要求；当差异度大于预定阈值时，确定经过训练的目标模型不符合要求。
125.优选地，还包括，通过减小所述修改量，获得经过调整的异常样本集合，基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对目标模型进行训练，从而获得经过训练的高精度目标模型。例如，在为幅值、幅值平方、能量值或能量值平方，增加或减少相应的修改量，以使得增加或减少相应的修改量的幅值之后，通过减小所述修改量，获得经过调整的异常样本集合。
126.还包括，通过减小所述比率，获得经过调整的异常样本集合，基于正常样本集合、经过调整的异常样本集合以及预先设定的训练算法对目标模型进行训练，从而获得经过训练的高精度目标模型。例如，在为幅值、幅值平方、能量值或能量值平方，升高或降低相应的比率之后还包括，减小所述比率，获得经过调整的异常样本集合。
127.识别装置306，用于在获得经过训练的目标模型之后，将对象设备在实际运行中所产生的实际信号输入经过训练的目标模型，从而利用经过训练的目标模型对所述对象设备的运行状态进行诊断、判别或识别，从而确定所述对象设备处于正常状态或异常状态。
128.图4为根据本发明实施方式的基于样本信号的修改对目标模型进行测试的系统400的结构示意图。系统400包括：获得装置401、确定装置402、获取装置403、修改装置404、以及测试装置405。
129.获得装置401，用于确定需要进行测试的目标模型并获得目标模型的配置文件。在工业生产或设备运行的实际场景中，各种类型和/或各种尺寸的设备被广泛应用于各个位置、生产环节、监控环节等。为此，如果需要确定任意一种设备的运行状态，或获取任意一种设备的参数等，需要获取每个不同类型的设备的模型或设备模型。通常，每个不同类型的设备的模型或设备模型可以用于确定设备的运行状态、获取设备的运行参数等。为此，在进行
测试前，确定需要进行测试的目标模型。
130.通常，每个模型或设备模型均具有配置文件，并且配置文件用于描述模型或设备模型的多种属性。多种属性例如是：输入参数、输出参数、模型类型、模型作用、模型准确度、设备类型、设备名称、设备标识符等。为此，目标模型具有多种属性，并且例如，通过目标模型的配置文件可以确定目标模型的设备类型、设备名称、设备标识符等。
131.确定装置402，用于基于所述目标模型的配置文件确定所述目标模型所涉及的对象设备，以及确定与所述对象设备相关联的多种样本信号。如上所述，通过目标模型的配置文件可以确定目标模型的设备类型、设备名称、设备标识符等。并且进一步地，可以通过对目标模型的配置文件进行解析来确定目标模型所涉及的对象设备。对象设备可以是任意类型的设备。此外，目标模型的配置文件中还可以包括与对象设备相关联的多种样本信号的信息。可替换地，在确定了目标模型所涉及的对象设备之后，利用对象设备的设备标识符或设备名称可以在样本信号信息库中进行检索，以获取与对象设备相关联的多种样本信号的信息。
132.其中多种样本信号包括：振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度。通常，可以使用振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种样本信号来表征、训练、测试、描述对象设备。应当了解的是，本技术仅是以振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度为例进行描述，所属领域技术人员应当了解的是，本技术可以使用任何合理的样本信号。在实际场景中，可以使用各种类型的传感器来获取振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的任意一个。
133.获取装置403，用于在所述对象设备正常运行时，对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合。
134.正常样本集合是对象设备在正常运行时，利用传感器所采集的诸如振动、声音、速度、位移、应力、压力、电压、电流、功率、电场强度、磁场强度、温度、图像和亮度中的一种或多种的样本信号或数据所构成的样本信号。在本技术中，为了使经过训练或测试的目标模型的模型准确度更高，本技术对多种样本信号中的至少两种样本信号进行信号采集或信号仿真，从而获取包括所述至少两种样本信号的正常样本集合。
135.举例来说，至少两种样本信号为振动信号、声音信号和电压信号，正常样本集合中的包括以样本的采样时间顺序排列的多个样本，其中每个样本包括振动信号、声音信号和电压信号，并且每个样本具有采样时间。即，正常样本集合中的每个样本为具有采样时间的并且包括在所述采样时间处的每种样本信号的信号组或信号集。在对样本数据进行存储时，可以使正常样本集合中包括至少两个样本子集，每个样本子集为振动样本信号子集、声发射样本信号子集、声音样本信号子集或电场强度样本信号子集等。应当了解到是，信号子集的划分方式仅是为了数据存储或数据展示。实际上，每个样本包括至少两种样本信号中的每种样本信号。可替换地，正常样本集合中包括多个样本信号组，每个样本信号组包括单个振动样本信号、单个声发射样本信号和单个声音样本信号，例如每个样本信号组为<振动样本信号、声发射样本信号、声音样本信号>。应当了解的是，每个样本信号组可以被认为是正常样本集合中的一个样本。
136.举例来说，至少两种样本信号之中的至少一种样本信号是通过紧贴在设备外壳的传感器采集的振动/声发射信号。或者，至少两种样本信号之中的至少一种样本信号是在设备外部采集的声音信号。在实际情况中，可以将传感器设置为紧贴在设备或对象设备的外壳处、将传感器设置在设备或对象设备的外部或将传感器设置在设备或对象的内部。
137.修改装置404，用于根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改，以获取与正常样本集合相对应的异常样本集合。
138.在实际情况中，运行状态稳定的设备在实际运行中出现故障的次数较少或故障比率较低，因此这种类型的设备的正常运行的样本信号/样本数据的数据量比较大，而异常运行或故障时的样本信号/样本数据的数据量较小。在这种情况下，通常难以获得足够的异常样本信号。为此，本技术根据预设的修改方式对正常样本集合中的至少一种样本信号进行修改。
139.其中预设的修改方式包括：为幅值、幅值平方、能量值或能量值平方，增加或减少相应的修改量，以使得增加或减少相应的修改量的幅值、幅值平方、能量值或能量值平方的所属取值或者取值区间发生变化。例如，为对象设备的正常样本集合中的幅值样本信号增加或减少相应的修改量k、为对象设备的正常样本集合中的幅值平方样本信号增加或减少相应的修改量b、为对象设备的正常样本集合中的能量值样本信号增加或减少相应的修改量c或为对象设备的正常样本集合中的能量值平方样本信号增加或减少相应的修改量d，从而使得对象设备的正常样本集合中的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号变为异常运行或故障运行时的样本信号。由此，根据对象设备的异常运行或故障运行时的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号构成与正常样本集合相对应的异常样本集合。
140.其中预设的修改方式包括：为幅值、幅值平方、能量值或能量值平方，升高或降低相应的比率，以使得升高或降低相应的比率的幅值、幅值平方、能量值或能量值平方的所属取值或者取值区间发生变化。例如，为对象设备的正常样本集合中的幅值样本信号升高或降低相应的比率e、为对象设备的正常样本集合中的幅值平方样本信号升高或降低相应的比率f、为对象设备的正常样本集合中的能量值样本信号升高或降低相应的比率g或为对象设备的正常样本集合中的能量值平方样本信号升高或降低相应的比率h，从而使得对象设备的正常样本集合中的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号变为异常运行或故障运行时的样本信号。由此，根据对象设备的异常运行或故障运行时的幅值样本信号、幅值平方样本信号、能量值样本信号或能量值平方样本信号构成与正常样本集合相对应的异常样本集合。
141.此外，预设的修改方式还包括：为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量。如上所述，幅值、幅值平方、能量值或能量值平方可以具有各自的稳态修改量。
142.其中为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量包括：
143.统计正常样本集中幅值、幅值平方、能量值或能量值平方的稳态修改量
△
y对应参量的最大值ymax和最小值ymin；
144.设定调整目标系数a，其中0<a<1；
145.统计待修改的样本的稳态修改量
△
y的对应参量的值ysignal；
146.计算稳态修改量
△
y＝ymin a
×
(ymax
‑
ymin)
‑
ysignal，
147.为幅值、幅值平方、能量值或能量值平方，增加或减少相应的稳态修改量
△
y。
148.调整目标系数a由一个固定值和一个由概率模型产生的随机值相加得到，并且满足0<a<1。例如，a＝m1 m2，其中m1为固定值，并且m2为由概率模型产生的随机值。
149.测试装置405，用于基于正常样本集合和异常样本集合对目标模型进行测试，从而基于测试结果确定目标模型的性能指标。目标模型能够根据所采集的样本信号对对象设备的运行状态进行诊断、判别或识别，从而确定所述对象设备处于正常状态、异常状态或其他任何状态。其中目标模型的性能指标可以包括目标模型的诊断精度、判别精度或识别精度。
150.基于正常样本集合和异常样本集合对目标模型进行测试，从而基于测试结果确定目标模型的性能指标包括：将正常样本集合和异常样本集合分别或依次输入经过训练的目标模型，使得经过训练的目标模型诊断、判别或识别对象设备的结果状态，获取与正常样本集合和/或异常样本集相对应的验证状态。确定基于验证状态确定结果状态的正确比率，基于正确比率确定测试结果并基于测试结果确定目标模型的性能指标。例如，在将正常样本集合和异常样本集合分别或依次输入经过训练的目标模型后，经过训练的目标模型诊断、判别或识别对象设备的结果状态100次，基于验证状态确定100次结果状态中诊断、判别或识别正确的次数为99次，那么基于验证状态确定结果状态的正确比率为99/100＝99％，那么测试结果为99％。
151.根据一个实施方式，当测试结果大于或等于97％时，确定目标模型的性能指标为高精度，当测试结果小于97％并且大于或等于90％时，确定目标模型的性能指标为中精度，以及当测试结果小于90％时，确定目标模型的性能指标为低精度。
152.优选地，还包括，通过减小所述比率，获得经过调整的异常样本集合，基于正常样本集合和经过调整的异常样本集合对目标模型进行测试，从而确定目标模型的诊断精度、判别精度或识别精度。例如，在为幅值、幅值平方、能量值或能量值平方，升高或降低相应的比率之后还包括，减小所述比率，获得经过调整的异常样本集合。
153.优选地，还包括，通过减小所述修改量，获得经过调整的异常样本集合，基于正常样本集合和经过调整的异常样本集合对目标模型进行测试，从而确定目标模型的诊断精度、判别精度或识别精度。例如，在为幅值、幅值平方、能量值或能量值平方，增加或减少相应的修改量，以使得增加或减少相应的修改量的幅值之后，通过减小所述修改量，获得经过调整的异常样本集合。