[发明专利]基于深度递归神经网络的自适应健康指标提取方法在审
| 申请号： | 201810858270.4 | 申请日： | 2018-07-31 |
| 公开（公告）号： | CN109143856A | 公开（公告）日： | 2019-01-04 |
| 发明（设计）人： | 张彩霞;王向东;胡绍林;王新东 | 申请（专利权）人： | 佛山科学技术学院 |
| 主分类号： | G05B13/04 | 分类号： | G05B13/04 |
| 代理公司： | 广州嘉权专利商标事务所有限公司 44205 | 代理人： | 伍传松 |
| 地址： | 528000 广东省佛山市*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 健康指标 制造过程 自适应 递归神经网络 神经网络模型 物理信号 训练参数 运行环境 采集 误差反向传播 驱动数据 特征学习 传感器 异构 分析 管理 | ||
【权利要求书】：
1.基于深度递归神经网络的自适应健康指标提取方法，其特征在于，包括以下步骤：
选定待管理的制造过程运行环境，并在所述制造过程运行环境中布置多个异构传感器以采集物理信号；
建立兼具时间深度和空间深度的多层递归神经网络模型；
将所述采集的物理信号进行分析以提取训练参数；
多层递归神经网络模型通过误差反向传播所述训练参数，驱动数据自适应特征学习，以提取制造过程中的健康指标。
2.根据权利要求1所述的基于深度递归神经网络的自适应健康指标提取方法，其特征在于：所述多层递归神经网络模型在空间维度内是多隐含层前向传递网络结构，时间维度内tn时刻的隐含层输出量输入至tn+1时刻作为隐含层输入量。
3.根据权利要求1所述的基于深度递归神经网络的自适应健康指标提取方法，其特征在于：所述训练参数的更新方式为wij←wij-η(δe/δwij)，其中为误差值，为输入为u时的输出值，(u,z)为训练样本输入输出值。
4.根据权利要求3所述的基于深度递归神经网络的自适应健康指标提取方法，其特征在于：所述更新方式的导数计算采用动态规划和矩阵运算方式提高数据并行计算能力。
5.根据权利要求1所述的基于深度递归神经网络的自适应健康指标提取方法，其特征在于：所述物理信号包括力、热、光、电、磁的历史数据。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于佛山科学技术学院，未经佛山科学技术学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810858270.4/1.html，转载请声明来源钻瓜专利网。
