[发明专利]一种基于知识转移的动态工业数据分类方法

说明书

本发明涉及一种基于知识转移的动态工业数据分类方法，属于数据挖掘领域，包括以下步骤：S1：利用多传感器获取工业过程数据；S2：训练自编码器和分类神经网络模型；S3：利用自编码器检测数据分布是否发生变化；S4：将已发生分布变化的数据用于训练新的自编码器，直到重构误差降低到阈值以内，并将新的自编码器与之前的自编码器集成；S5：将未检测到分布发生变化的数据继续用于原模型优化；当检测数据分布已经发生变化，采用知识转移的方法，找到网络连接中重要程度较高的连接权重，保持其不变，对于重要程度较低的连接权重进行进一步的训练；S6：重复步骤S3‑S5，直至模型包含所有工况或者对于新数据误差降至阈值以内。

技术领域

本发明属于流程工业监控技术和数据挖掘技术领域，涉及一种基于知识转移的动态工业数据分类方法。

背景技术

随着工业自动化、集成化程度的提高，现代工业规模不断扩大，复杂程度不断提高。由于现代工业大规模化、复杂化的特点，导致工业过程中故障发生概率大大增加，故障的危害大大提升。因此，通过设备状态监测、结构信息监测、远程故障诊断等工业过程监控手段来提高生产过程的可靠性和安全性，确保产品质量，收到了极大的关注和重视。

进行工业过程监控主要有基于解析模型的方法、基于物理冗余的方法、基于专家知识的方法和基于数据驱动的方法。在大规模生产下，生产单元之间关联性强，工业过程建模复杂，信息提取困难，而前三种方法需要建立复杂的机理模型和定义复杂的定型模型，物理可实现性较差。随着传感器技术和无线通信技术的快速发展，蕴含丰富工业过程信息的数据被和存储；主元分析、偏最小二乘等多元统计过程监测方法的提出，极大地提高了数据信息提取的效率，为数据驱动的方法提供了广阔的空间。

然而，随着生产计划调整、设备工况切换，设备老化等原因，实际的工业数据大多呈现出非平稳的动态特性，过程数据的统计指标如方差、均值随着时间改变。而主元分析、偏最小二乘等传统的多元统计过程监测方法都是基于数据平稳这一假设提出的，在动态过程中很可能会给出错误的结果。而若针将每个工况或者生产计划都看作一个独立的平稳过程，针对每个平稳过程建立新的数据模型，由于未充分利用之前模型的知识，不仅会导致成本的极大提高，并且由于忽略了任务之间的相关性，导致需要的样本数量大大增加，模型可实现性大打折扣。因此，目前急需一种基于知识转移的动态工业数据分类方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于知识转移的动态工业数据分类方法，利用集成自编码器对数据分布变化进行检测，并利用工况变化和数据演化之间的关联性，采用知识转移的方法进行新分类器的训练，达到在复杂工业条件下，对动态数据进行分类的目的。

为达到上述目的，本发明提供如下技术方案：

一种基于知识转移的动态工业数据分类方法，包括以下步骤：

S1：利用多传感器获取工业过程数据，包括温度、湿度、气压等信号；

S2：利用S1中收集到的数据进行自编码器和分类神经网络模型的训练；

S3：利用训练好的自编码器对数据分布是否发生变化进行检测，如果重构误差大于阈值，则判定数据分布发生变化；

S4：将已发生分布变化的数据用于训练新的自编码器，直到重构误差降低到阈值以内，并将新的自编码器与之前的自编码器进行集成操作；

S5：对于未检测到分布发生变化的数据，将其继续用于原模型优化；当检测数据分布已经发生变化，采用知识转移的方法，找到网络连接中重要程度较高的连接权重，保持其不变，对于重要程度较低的连接权重进行进一步的训练；

S6：重复步骤S3-S5，直至模型包含所有工况或者对于新数据误差降至阈值以内。

进一步，所述步骤S2具体包括以下步骤：

S21：定义自编码器为从最中间层开始的两端对称结构；