[发明专利]多标记故障深度学习的识别及其结果智能表达的方法

权利要求书

1.一种多标记故障深度学习的识别及其结果智能表达的方法，其特征在于，包括以下步骤：

A、采集制造过程产生的数据，作为深度识别网络的输入数据；

B、建立制造过程故障的深度识别网络，对深度识别网络进行训练；

C、进行制造过程故障的多标记深度学习,建立多标记故障深度识别网络；

D、采集制造过程中监测的数据，智能表达制造过程的故障识别结果；

其中，所述步骤B包括以下步骤：

B1、对网络特征进行监督方式的引导学习；

B2、放松Relu激活函数对负误差响应为零的限制，并通过放松后的Relu激活函数遏制由Sigmoid激活函数、TBnh激活函数所引起的梯度消失现象；

B3、通过迭代求解，自适应确定网络稀疏项系数、网络节点数；

B4、在每次迭代时将网络节点输出随机清零，并随机冻结网络节点；

其中，所述步骤C包括以下步骤：

C1、构建制造过程故障多标记体系；

C2、构建制造过程故障多标记深度学习框架，训练基于多标记故障的深度识别网络；

C3、与多标记故障深度识别网络联合学习，获得多标记故障之间的联合概率分布，推理缺失标记；

C4、建立多源信息融合的多标记故障深度识别网络。

2.根据权利要求1所述的多标记故障深度学习的识别及其结果智能表达的方法，其特征在于，所述步骤C1中制造过程故障多标记体系具体包括：采集制造过程中故障的位置、类型、程度的数据，分别建立工厂各子系统的制造过程故障标记。

3.根据权利要求1所述的多标记故障深度学习的识别及其结果智能表达的方法，其特征在于，所述步骤C2中构建多标记深度学习框架具体包括：扩展深度识别网络输出层拓扑结构，在网络输出层分别建立每个标记体系的识别任务，利用交叉熵定义各识别任务的损失函数。

4.根据权利要求1所述的多标记故障深度学习的识别及其结果智能表达的方法，其特征在于，所述步骤C4中建立多源信息融合的多标记故障深度识别网络具体实现方式为：扩展多标记深度识别网络的输入层结构，对多源信号之间进行交叉迁移学习，获得多源信号与共享故障特征之间的协同特征变换。

5.根据权利要求1所述的多标记故障深度学习的识别及其结果智能表达的方法，其特征在于，所述步骤D包括以下步骤：

D1、将单层网络训练的权重拆分为多个基函数的组合；

D2、将深层网络参数可视化；

D3、获得故障信息由浅入深的表达模式；

D4、表达基于深度网络的故障识别结果，形成制造过程的健康态势图。

6.根据权利要求5所述的多标记故障深度学习的识别及其结果智能表达的方法，其特征在于，所述步骤D2中深层网络参数的可视化具体实现方式为：寻找激活当前层神经元节点的最大输入模式，将该节点作为上一层滤波器的线性加权组合。

7.根据权利要求5所述的多标记故障深度学习的识别及其结果智能表达的方法，其特征在于，所述步骤D3中获得故障信息由浅入深的表达模式具体实现方式为：逐层可视化网络提取的特征，寻找当前层与上一层之间特征空间相似特性与变化趋势。