[发明专利]基于层次化深度网络的长时序列数据处理方法

权利要求书

1.一种基于层次化深度网络的长时序列数据处理方法，其特征在于，所述方法包括：

S1，获取预设时间段内由待监测生产设备的工况数据构成的长时序列数据，并将所述长时序列数据输入训练好的层次化深度网络模型，所述层次化深度网络模型包括卷积层、递归层以及全连接层；其中，所述卷积层包括多对卷积核和池化核，且各对卷积核和池化核对应的卷积核的长度和池化核的长度的乘积相同；

S2，利用所述卷积层中的所述多对卷积核和池化核对所述长时序列数据进行单维卷积操作得到第一压缩时序数据集，并将所述第一压缩时序数据集中的所有压缩时序数据连结形成第一多维时序数据；

S3，基于所述第一多维时序数据，利用所述卷积层获取多个多维时序数据，并将所述多个多维时序数据中长度小于第一预设长度的多维时序数据进行组合形成第一数据集；

S4，利用所述递归层和所述全连接层对所述第一数据集进行处理，以得到所述长时序列数据的分类结果向量，并基于所述分类结果向量得出所述长时序列数据的类别，进而确定所述待监测生产设备在所述预设时间段内的工作状态。

2.根据权利要求1所述方法，其特征在于，步骤S2具体包括：

每对卷积核和池化核中的卷积核以对应的卷积步长对所述长时序列数据进行卷积；

所述每对卷积核和池化核中的池化核以对应的池化步长对经卷积后的所述长时序列数据进行池化，得到所述每对卷积核和池化核对应的压缩时序数据，并将所述多对卷积核和池化核对应的多个压缩时序数据进行组合形成所述第一压缩时序数据集；

将所述第一压缩时序数据集中的所有压缩时序数据在空间上连结形成第一多维时序数据。

3.根据权利要求1所述方法，其特征在于，步骤S3具体包括：

利用所述卷积层对所述第一多维时序数据进行单维卷积操作，得到第二压缩数据集，并将所述第二压缩数据集中的所有压缩数据进行连结得到第二多维时序数据，重复上述操作直至连结后得到的多维时序数据的长度小于第二预设长度；

将所述多个多维时序数据中长度小于第一预设长度的多维时序数据组合形成第一数据集；其中，所述第二预设长度小于所述第一预设长度。

4.根据权利要求1所述方法，其特征在于，所述递归层包括多组第一多层递归神经网络和多组第二多层递归神经网络，所述多组第一多层递归神经网络和所述多组第二多层递归神经网络一一对应，所述多组第一多层递归神经网络中多层递归神经网络的数量与所述第一数据集中元素的数量相等。

5.根据权利要求4所述方法，其特征在于，所述全连接层包括多组全连接网络，所述多组全连接网络中全连接网络的数量与所述第一数据集中元素的数量相等，每组全连接网络对应于一对相互对应的第一多层递归神经网络和第二多层递归神经网络，且每组全连接网络的最后一层为多类分类softmax网络层。

6.根据权利要求1所述方法，其特征在于，在步骤S1之前还包括：

构建所述层次化深度网络模型，并采用随机梯度下降法对所述层次化深度网络模型进行训练，直至由交叉熵函数定义的损失函数计算得到信息损失处于预设范围内，即得到所述训练好的层次化深度网络模型。

7.根据权利要求4所述方法，其特征在于，步骤S4具体包括：

将所述第一数据集中的每一时序数据正序输入一个第一多层递归神经网络得到第一特征向量，将所述每一时序数据倒序输入对应的第二多层递归神经网络得到第二特征向量，并将所述第一特征向量和所述第二特征向量连结得到所述每一时序数据的组合特征向量；

将所述每一时序数据的组合特征向量输入所述全连接层，得到所述每一时序数据对应的分类结果向量；

将所述第一数据集中所有时序数据对应的分类结果向量相加得到所述长时序列数据的分类结果向量。