[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

本發明公開了一種工業時序數據特征學習方法，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。本發明代替了傳統方法中對工業過程數據進行繁雜手動特征提取的方式，能夠快速有效地自動編碼原始多維度工業時序數據的有效表征。該方法是一種通用的多維度時序數據表征方法，其屬于完全無監督方法，所獲得的表征可以代替原始多維時序數據作為下游任務的輸入，比如控制回路異常識別及性能評估。

技術領域

本發明屬于工業大數據的技術領域，具體涉及一種工業時序數據特征學習方法。

背景技術

隨著越來越多智能工廠的建立，大量的工業生產數據被存儲下來。特別是在流程工業中存在大量按時間戳記錄的數據，這些時序數據反映了工業過程中溫度，壓力，流量等重要生產狀態隨時間的變化。現場操作人員通過對這些數據加以利用，進行有效特征的提取或者分析，能夠掌握整個生產過程的運行狀態，從而為后續的控制策略提供基礎。

現有的特征提取方法一方面主要是通過現場操作人員自身的經驗來對數據中蘊含的生產過程主要特性進行分析，這種方法雖然有效，但是非常依賴于操作人員所掌握的知識，只能適用于小范圍的場景，面向大規模的工業過程需要大量的人力去構建專家知識庫。近幾年，隨著機器學習，數據挖掘技術的發展，也有相關技術利用學習算法對數據進行自動的表征學習，從而獲得數據的合理表征用于下游任務，但大部分方法仍然需要大量有標簽的數據，而在真實的工業場景下，通常只能有少量的有標簽數據，獲取足夠多的標簽數據是非常困難的。因此如何從大量的無標簽工業時序數據中提取到有用的特征是一個極需研究的重要問題。

發明內容

為了實現以上目的，解決無標簽工業時序數據的特征學習問題，本發明提供了一種工業時序數據特征學習方法，該方法對工業數據挖掘和分析具有重要的意義。

本發明采用以下技術方案：一種工業時序數據特征學習方法，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。

進一步的，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。

更進一步的，所述步驟二具體包括：