[發明專利]一種工業時序數據特征學習方法

在審

• 申請號: 202111336048.6
• 申請日: 2021-11-11
• 公開（公告）號: CN114064754A
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 劉勇;張可鑫;古勇;王家棟;阮驍駿
• 申請（專利權）人: 浙江大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06N3/04;G06N3/08
• 代理公司: 杭州泓呈祥專利代理事務所(普通合伙) 33350
• 代理人: 張嬋嬋

1.一種工業時序數據特征學習方法，其特征在于，包括以下步驟：

S1、獲取原始工業多維度的時序數據并進行歸一化處理；

S2、對經歸一化處理的時序數據進行數據變換和多時間尺度增強操作；

S3、基于卷積自編碼器和多時間尺度特征一致性約束建立特征學習模型，實現時序數據的表征。

2.根據權利要求1所述的一種工業時序數據特征學習方法，其特征在于，所述步驟一具體包括：

S11、獲取工業過程中多維度的時間序列數據，簡稱時序數據，表示為D＝{x₁,x₂,...,x_n}，其中n表示所獲取樣本的總數，第i個樣本表示為x_i＝(x_i1,x_i2,...,x_iP)，C表示數據的維度，如x_i1表示第i個樣本的第1個維度的數據，定義數據長度為N；

S12、對時序數據進行歸一化操作，對每一個維度的數據進行歸一化操作，其中為歸一化后的數據，表示第p個維度下的第k個采樣點數據，max(x_p)和min(x_p)分別表示第p個維度下所有采樣點的最大值和最小值。

3.根據權利要求2所述的一種工業時序數據特征學習方法，其特征在于，所述步驟二具體包括：

S21、對經歸一化處理的時序數據進行變換操作；針對時序數據樣本D＝{x₁,x₂,...,x_n}，在每一個數據上進行如下變換：假設當前樣本為x_i＝(x_i1,x_i2,...,x_iC)，數據長度為N，首先將N按順序分割為M個分割段，定義為s₁,s₂,...,s_M；定義交互因子其中c＝1,2,...,C，j＝1,2,...,M，k＝1,2,...,M，P(c,j,k)表示第c個維度的s_j分割段和s_k分割段之間的距離度量，這里采用DTW(a,b)表示兩個序列之間的動態時間規整距離；在每一個維度上進行計算，最終可以得到一個C×M×M矩陣，這個矩陣表示原始具有C個維度時序數據的變換；

S22、在多時間尺度下對數據進行增強操作，通過調整S21中的N值和分割點的選取來實現數據增強操作：假設需要設定M-1分割點，將N按順序分割為M個片段，分割點的選取采取式其中floor(·)返回不大于括號中值的最大正整數，random(a,b)表示在區間[a,b]中隨機選取的正整數。

4.根據權利要求3所述的一種工業時序數據特征學習方法，其特征在于，所述步驟三具體包括：

S31、構建卷積自編碼器；卷積自編碼器由編碼器和解碼器構成，編碼器和解碼器由全連接神經網絡連接，負責將編碼器輸出的二維特征圖映射到特征向量，再將特征向量轉化為二維特征圖送入解碼器；

S32、基于多時間尺度特征一致性約束建立特征學習模型；將步驟S21的轉換操作定義為Τ(·)，步驟S22的增強操定義為A(·)，原始的時序數據為X，首先進行時序數據的轉換增強操作，得到新的數據

在S301所構建的卷積自編碼器結構下進行特征學習；該學習過程遵循下列兩個約束，第一個為重構約束，表示為第二個為多時間尺度一致性約束，定義為其中sim(u,v)＝u^·v/‖u‖‖v‖表示兩個向量之間的余弦距離，g表示一個組，該組中的所有增強樣本均來源于同一個原始樣本，z_*表示通過編碼器F_E(·)前向計算后得到的數據表征向量；最終的損失函數為L＝αL_r+βL_c，其中α和β表示兩個約束所占的權重。通過不斷更新F_E(·)和F_D(·)的參數來最小化L，最終獲得編碼器F_E(·)，實現時序數據的有效表征。

5.根據權利要求4所述的一種工業時序數據特征學習方法，其特征在于，給定新多維度時序數據X_new，通過步驟S21的數據轉換和S22的時序數據增強后，再送入步驟S32最終獲得的編碼器F_E(·)，最終可以獲得時序數據的有效表征Z＝F_E(A(Τ(X_new)))，表征Z可以代替原始時序數據X_new作為下游任務的輸入。