[发明专利]一种基于弱监督学习多层感知器的故障分类方法

说明书

本发明公开了一种基于弱监督学习多层感知器的过程数据故障分类方法，它由多层感知器，BatchNormalization层，Dropout层和Softmax输出层组成的有监督分类网络和用于获取样本标签不准确情况的高斯混合模型组成；多层感知器能够从不准确标签数据中学习数据的特征表示，此外，高斯混合模型对多层感知器提取的特征进行无监督聚类，聚类的结果可以用于估计各类样本不准确标签与潜在的样本真实标签的关系，即标签概率转移矩阵，并且利用估计的标签概率转移矩阵修正网络损失函数对分类网络进行第二次训练，提高网络对不准确标签样本的分类精度。本发明可以适用工业过程数据样本部分标签标注错误，即不准确标签的故障分类的情形。

技术领域

本发明属于工业过程故障诊断和分类领域，具体地涉及一种基于弱监督学习多层感知器的故障分类方法。

背景技术

在工业过程监测中，当检测到故障发生后，需要对故障信息进行进一步分析，而故障分类是其中的一个重要环节，获得发生故障类别，有利于进行工业过程的恢复。

在传统的故障分类中，都假设获取的数据样本标签是精确的，从而进行模型训练，然而，工业过程数据的标签通过外部知识库、规则库或者人工标定等方式生成，样本的标签可能不准确。此外，不准确标签样本相比准确标签样本更容易获得，成本更低。样本标签并不准确已成为模型不可忽视的特点。因此，在实际中对不准确标签样本进行弱监督学习建模，能有利于提高模型对故障样本的分类精度。

发明内容

针对目前工业过程中样本标签可能并不准确等问题，本发明提出了一种基于弱监督学习多层感知器的故障分类方法。

本发明的目的是通过如下技术方案实现的：一种基于弱监督学习的多层感知器的过程数据故障分类方法，所述基于弱监督学习的多层感知器包括：两层感知器MLP、Softmax输出层和高斯混合模型GMM。所述过程数据故障分类方法具体包括如下步骤：

步骤一：收集历史工业过程中含有不准确标签的样本作为训练数据集其中,为不准确标签数据样本，为该样本的标签，N表示训练数据集的样本个数,K为样本类别数。

步骤二：将步骤一中收集到的训练数据集D标准化，即将有标签样本集X每个变量映射为均值为0，方差为1的样本集X_std，并通过one-hot编码将标签集Y每个样本标签转化为一维向量，得到标准化数据集

步骤三：首先将新数据集D_std作为输入，对感知器MLP的网络进行第一次有监督训练，在Softmax输出层得到样本集X_std属于其标签的后验概率。

步骤四：将步骤三得到的后验概率作为高斯混合模型GMM的输入，并训练高斯混合模型，用训练完成后的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

步骤五：根据来修正步骤三感知器MLP拟合不准确标签样本的损失函数，以步骤二得到的数据集D_std作为输入，第二次有监督训练步骤三感知器MLP，完成弱监督学习，得到训练好的WS-MLP网络；

步骤六：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，得到数据集d_std,输入到步骤五训练好的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，作为该样本的类别，实现样本的故障分类。

进一步地，步骤三具体包括如下步骤：