[发明专利]基于小样本学习的工业报警泛滥根源诊断方法及存储介质

权利要求书

1.一种基于小样本学习的工业报警泛滥根源诊断方法，其特征在于，包括以下步骤：

获取历史报警事件日志；

对所述历史报警事件日志进行预处理；

提取由显著故障引起的工业报警泛滥序列；

搭建基于词嵌入的报警事件数据结构化编码模型，将所述历史报警事件日志输入所述基于词嵌入的报警事件数据结构化编码模型，不断更新模型参数，获取最佳结构化编码模型；

通过所述最佳结构化编码模型，对所述由显著故障引起的工业报警泛滥序列进行数据编码，得到结构化编码的工业报警泛滥序列；

通过长短期记忆网络提取所述结构化编码的报警泛滥序列中各序列的时间序列特征，结合基于原型网络的小样本学习，获取各报警泛滥序列的空间表达向量，从而搭建工业报警泛滥根源诊断模型；

将待诊断的工业报警事件日志进行预处理及结构化编码后，输入所述工业报警泛滥根源诊断模型，并输出最终根源诊断类型。

2.如权利要求1所述的基于小样本学习的工业报警泛滥根源诊断方法，其特征在于，所述预处理包括：

检查并统一报警事件数据配置信息和日志格式，修改不规范数据类型，并进一步删除信息不完整的事件数据；

去除抖振报警及冗余报警，通过设置延时器、滤波器、阈值死区、时间死区进行优化处理，提取由显著故障引起的报警泛滥序列。

3.如权利要求1所述的基于小样本学习的工业报警泛滥根源诊断方法，其特征在于，所述由显著故障引起的工业报警泛滥序列表示为：

F＝[a₁，a₂，…，a_m，1≤m≤M]

其中，a_m表示报警泛滥序列F中第m个报警，M表示报警泛滥序列的长度。

4.如权利要求1所述的基于小样本学习的工业报警泛滥根源诊断方法，其特征在于，所述搭建基于词嵌入的报警事件数据结构化编码模型，将所述历史报警事件日志输入所述基于词嵌入的报警事件数据结构化编码模型，不断更新模型参数，获取最佳结构化编码模型的步骤，具体包括：

提取各连续历史报警事件日志中所有独立报警事件数据标签；

根据N个所述独立报警事件数据标签制作报警数据类型库，利用独热编码获得报警事件数据的初步结构化编码表示；

初始化一个N*d维的权重矩阵V，其中N为权重矩阵V的行数，与独立报警事件数据标签的个数相等，d为权重矩阵V的列数，利用所述报警事件数据的初步结构化编码表示做内积计算，获取报警事件数据的结构化编码结果；

初始化d*N维的权重矩阵W，其中d为权重矩阵W的行数，N为权重矩阵W的列数，利用多个连续历史报警事件日志库中，当前报警事件数据的结构化编码结果与其前后c个窗口内的报警事件数据结构化编码结果做内积计算，结合softmax函数对计算结果进一步映射，从而建立基于词嵌入的报警事件数据结构化编码模型；

计算所述基于词嵌入的报警事件数据结构化编码模型的平均对数概率，最大化期望输出概率，利用梯度下降法进行参数更新，获取最佳结构化编码模型。

5.如权利要求1所述的基于小样本学习的工业报警泛滥根源诊断方法，其特征在于，所述通过长短期记忆网络提取所述结构化编码的报警泛滥序列中各序列的时间序列特征，结合基于原型网络的小样本学习，获取各报警泛滥序列的空间表达向量，从而搭建工业报警泛滥根源诊断模型的步骤，具体包括：

通过长短期记忆网络提取所述结构化编码的报警泛滥序列的时序信息，将不同长度的所述结构化编码的报警泛滥序列转化为相同维度大小的编码矩阵；

将不同类型的报警泛滥序列的编码矩阵分布到高维空间平面，计算同一根源类型下不同报警泛滥序列的空间表达向量，利用其空间均值作为每类根源类型的原型表示，从而建立工业报警泛滥根源诊断模型。