[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

说明书

本发明公开了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，涉及智能制造过程控制领域，通过深度识别网络的建立与训练有效提高制造过程故障识别的时效性，通过提供多标记故障的深度学习有效提高制造过程多标记故障的确诊率，通过识别结果的智能表达从多方面展示制造过程的健康状态。

技术领域

本发明涉及智能制造和机器学习领域，具体涉及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。

背景技术

深度学习和识别是机器学习里面的一个热门领域，目前已成功应用于计算机视觉、自然语言处理和智能搜索等，信息技术和智能技术与装备制造过程技术的深度融合与集成理论较少涉及，中国的许多高等院校、科研院所都在从事这方面的研究与应用开发工作，在理论研究方面，加入了并行、敏捷、网络化和可重构等一些先进思想，在系统设计方面采用面向对象、构件和代理等技术，取得了不少有益的成果，但在智能制造过程控制领域，依然存在制造过程故障识别的时效性差，制造过程多标记故障的确诊率低，不能多方面展示制造过程的健康状态等问题。

发明内容

本发明通过深度识别网络的建立与训练、多标记故障的深度学习和识别结果的智能表达有效解决这些问题。

本发明提供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，包括以下步骤：

A、采集制造过程产生的海量数据，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，采集制造过程产生的海量数据作为深度识别网络的输入数据，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；

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。

进一步，所述步骤B包括如下步骤：

B1、对网络特征进行监督方式的引导学习，建立深层稀疏网络与SoftmBx等分类模型之间的信息交互机制，突出深层稀疏网络提取的判别特征，抑制深层稀疏网络提取的随机特征，将深层稀疏网络与分类模型整合到深度识别网络的框架下；

B2、修正Relu激活函数，放松Relu激活函数对负误差响应为零的限制，利用Relu激活函数具有的单侧抑制、宽阔兴奋边界等特点，通过放松后的Relu激活函数遏制由Sigmoid、TBnh等传统激活函数所引起的梯度消失现象，从而在保留Relu函数优点的情况下，充分利用负误差中包含的故障识别信息，进而建立基于修正Relu激活函数的深度识别网络；

B3、通过迭代求解，自适应确定网络稀疏项系数、网络节点数，实现深度识别网络的自动训练；

B4、在每次迭代时将网络节点输出随机清零，将深度识别网络训练转化为多网络结构的集成训练，有效避免过拟合现象，然后改进Dropout的训练策略，通过随机冻结网络节点的方式，避免计算节点输出时造成的硬件资源浪费，快速合理地训练深度识别网络，保证制造过程故障识别的时效性。

进一步，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，解决多标记故障深度识别网络训练中某些标记缺失的问题；

C4、建立多源信息融合的多标记故障深度识别网络，从而提高制造过程多标记故障的确诊率。

进一步，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，高效、全面地标记制造过程的运行状态，克服单标记不能完整地描述制造过程运行状态的问题。