[发明专利]基于伪标签方法和弱监督学习的过程数据故障分类方法

权利要求书

1.一种基于伪标签方法和弱监督学习的故障分类方法，其特征在于，包括如下步骤：

步骤一：收集历史工业过程的有标签数据集和无标签数据集作为训练数据集，其中有标签数据集为含有故障类别标签的有标签数据集无标签数据集其中，x^r为有标签数据样本，y^r为该样本的标签，y^r∈{1,2,…,K}，N_l表示有标签数据集的样本个数,N_u表示无标签数据集的样本个数，K为样本类别数；

步骤二：将步骤一中收集到的有标签数据集D_l标准化，即将有标签样本集X_l每个变量映射为均值为0，方差为1的样本集X_{l_std}，并通过one-hot编码将标签集Y_l每个样本转化为一维向量，得到标准化有标签数据集无标签样本集D_u也进行同样的标准化，得到标准化无标签数据集

步骤三：根据伪标签方法，将标准化有标签数据集D_{l_std}作为输入，对MLP网络进行第一次有监督训练，训练好的网络对标准化无标签样本集D_{u_std}推理得到无标签样本的伪标签集Y_ul，与无标签样本集X_u构成含伪标签集的无标签数据集；

步骤四：把有标签数据集和步骤三得到的含伪标签集的无标签数据集合并，得到D_n＝{[X_l,X_u],[Y_l,Y_ul]}，按照步骤二的标准化方法将合并的数据集[X_l,X_u]标准化，并且通过one-hot编码将合并的标签集[Y_l,Y_ul]的每个样本转化为一维向量，得到再使用步骤三训练得到的MLP网络推理得到样本集X属于其标签的后验概率；

步骤五：将步骤四得到的后验概率作为高斯混合模型的输入，对高斯混合模型进行弱监督学习训练，并用训练完成后高斯混合模型参数来估计标签概率转移矩阵T，得到估计矩阵

步骤六：根据修正步骤三得到的MLP网络的损失函数，以步骤四得到的数据集D_{n_std}作为输入，第二次有监督训练步骤三得到的MLP网络，完成弱监督学习，得到训练好的WS-MLP网络；

步骤七：收集新的未知故障类别的工业过程数据，按照步骤二的方法将过程数据标准化，得到标准化数据集d_std,输入到步骤六训练好的WS-MLP网络，求取样本对应每个故障类别的后验概率，把后验概率最大的类别，作为该样本类别，实现样本的故障分类。