云边协同的自适应工业数据分类方法及系统技术方案

本发明专利技术公开了一种云边协同的自适应工业数据分类方法及系统，涉及工业大数据技术领域，具体步骤为：获取原始数据，对原始数据的标签进行解构获得子标签；基于CNN网络和MIMO结构构建预训练模型，利用子标签对预训练模型进行微调，训练后获得全局工业数据分类模型；将全局工业数据分类模型按照场景特异性进行压缩，获得场景特异性工业数据分类模型；本发明专利技术基于多属性标签解构的标签采样空间扩展方法，可以有效解决某些类别的数据缺失带来的影响，自适应的构建类别相对完备的工业数据分类系统；通过采用多输入多输出的重采样方法，可以有效解决样本类别不均衡的问题，并且使重采样的样本的分布更接近真实数据的分布。的样本的分布更接近真实数据的分布。的样本的分布更接近真实数据的分布。

【技术实现步骤摘要】
云边协同的自适应工业数据分类方法及系统


[0001]本专利技术涉及工业大数据
，更具体的说是涉及云边协同的自适应工业数据分类方法及系统。

技术介绍

[0002]云计算、物联网(IoT)等技术的蓬勃发展，使制造业的生产经营模式发生了深刻的变化。云资源已深入应用于制造的各个阶段。一种新的制造方式已经诞生，即云制造，推动了当今制造业的发展和转型。工业数据分类任务，例如故障诊断，作为工业大数据和工业互联网的主要任务，一直是研究的热点。
[0003]云制造系统连接了工业物联网(IIoT)中的大型制造设备。监控设备会产生大量的工业数据。随着大数据和人工智能(AI)等技术的发展，数据驱动的工业数据分类方法得到了广泛的研究，并逐渐成为主流方法。
[0004]同时，云制造系统的分布式和集成特性也为工业数据分类提供了新的解决方案模式。基于分布式云边缘的工业数据分析模型已成为其发展趋势。云边缘协同的解决方案可以减少延迟，提高可伸缩性。
[0005]但是，随着工业过程和工业设备结构的日益复杂，许多未知的状况将不可避免地发生，然而缺少历史数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种云边协同的自适应工业数据分类方法，其特征在于，具体步骤为：获取原始数据，对原始数据的标签进行解构获得子标签；基于CNN网络和MIMO结构构建预训练模型，利用子标签对预训练模型进行微调，训练后获得全局工业数据分类模型；将全局工业数据分类模型按照场景特异性进行压缩，获得场景特异性工业数据分类模型。2.根据权利要求1所述的一种云边协同的自适应工业数据分类方法，其特征在于，CNN网络的表达式为：式中，x为卷积层的输入；x'为卷积层的输出；K为卷积核，大小为(2s+1
×
2s+1)；i和j均为卷积层的输入x中的位置信息；m和n均为卷积核的参数在卷积核中的坐标。3.根据权利要求1所述的一种云边协同的自适应工业数据分类方法，其特征在于，预训练模型的表达式为：式中，m为重构的标签数，m∈(1,M)，x为模型的输入；为模型的输出；p
θ
(
·
)为概率分布；α为风险系数。4.根据权利要求1所述的一种云边协同的自适应工业数据分类方法，其特征在于，构建预训练模型时还包括重采样数据的获取，重采样数据的获取包括有分类类别样本的重采样数据获取和没有分类类别样本的重采样数据获取。5.根据权利要求4所述的一种云边协同的自适应工业数据分类方法，其特征在于，有分类类别样本的重采样数据获取，具体为：目标标签的采样概率为：标记相似数据LSD采样概率为：其他类别的采样概率为：式中，N为原始标签的子标签数量；φ
n
为第n个目标子标签的采样概率；N
l
为LSD相似子标签的数量，为LSD的第l
th
个子标签的采样概率；N
o
为其他类别子标签数量；φ
no
为第O个其他类别子标签的采样概率。6.根据权利要求4所述的一种云边协同的自适应工业数据分...

【专利技术属性】
技术研发人员：任磊，贾子翟，王涛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：