【技术实现步骤摘要】
一种基于弱监督学习多层感知器的故障分类方法
本专利技术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。
技术介绍
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。
技术实现思路
针对目前工业过程中样本标签可能并不准确等问题，本专利技术提出了一种基于弱监督学习多层感知器的故障分类方法。本专利技术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：...
【技术保护点】
1.一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，其特征在于，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：/n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
【技术特征摘要】
1.一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，其特征在于，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Xstd，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Dstd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Xstd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Dstd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dstd,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。
2.根据权利要求1所述故障分类方法，其特征在于，步骤三具体包括如下步骤：
(3.1)构建感知器MLP的网络，所述感知器MLP的网络由依次连接的第一层隐层、BatchNormalization层、Dropout层、第二层隐层、BatchNormalization层、Dropout层和Softmax层组成。其中，第一层隐层和第二层隐层的权重矩阵和偏置向量分别为W1,b1,W2,b2,第二层隐层到Softmax层的权重矩阵和偏置向量分别为W3,b3，将这些网络参数表示为θ＝{W1,b1,W2,b2,W3,b3}。
(3.2)标准化后样本集Dstd作为输入，对感知器MLP的网络进行有监督训练，其中使用交叉熵损失函数：
其中，是MLP网络的最...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。