[发明专利]基于多阶差分网络的高频时序数据处理方法

权利要求书

1.一种基于多阶差分网络的高频时序数据处理方法，其特征在于，所述方法包括：

S1，获取预设时间段内由待监测生产设备的工况数据构成的高频时序数据，并将所述高频时序数据输入训练好的多阶差分网络模型，其中，所述多阶差分网络模型包括采样模块、差分模块、递归层以及全连接层；

S2，若判断获知所述高频时序数据超过预设长度，则利用所述采样模块对所述高频时序数据进行下采样，并将下采样得到的时序数据与所述高频时序数据进行组合形成第一数据集；

S3，利用所述差分模块对所述第一数据集进行多次差分，并将多次差分得到的多个数据集与所述第一数据集组合形成第二数据集；

S4，利用所述递归层和所述全连接层对所述第二数据集进行处理，以得到所述高频时序数据的分类结果向量，并基于所述分类结果向量得出所述高频时序数据的类别，进而确定所述待监测生产设备在所述预设时间段内的工作状态。

2.根据权利要求1所述方法，其特征在于，步骤S2具体包括：

若判断获知所述高频时序数据超过预设长度，选取多种不同的步长分别对所述高频时序数据进行下采样，得到多个时序数据；

将所述多个时序数据和所述高频时序数据作为数据集中的元素进行组合形成所述第一数据集。

3.根据权利要求1所述方法，其特征在于，步骤S3具体包括：

用所述第一数据集中的每一时序数据中的后一采样点减前一采样点得到新的时序数据，则所述第一数据集中的所有时序数据对应的新的时序数据组合形成第一差分数据集；

用所述第一差分数据集中的每一时序数据中的后一采样点减前一采样点得到新的时序数据，则所述第一差分数据集中的所有时序数据对应的新的时序数据组合形成第二差分数据集；

将所述第一差分数据集、所述第二差分数据集以及所述第一数据集组合形成为所述第二数据集。

4.根据权利要求1所述方法，其特征在于，所述递归层包括多组第一多层递归神经网络和多组第二多层递归神经网络，所述多组第一多层递归神经网络和所述多组第二多层递归神经网络一一对应，所述多组第一多层递归神经网络中多层递归神经网络的数量与所述第二数据集中元素的数量相等。

5.根据权利要求4所述方法，其特征在于，所述全连接层包括多组全连接网络，所述多组全连接网络中全连接网络的数量与所述第二数据集中元素的数量相等，每组全连接网络对应于一对相互对应的第一多层递归神经网络和第二多层递归神经网络，且每组全连接网络的最后一层为多类分类softmax网络层。

6.根据权利要求1所述方法，其特征在于，在步骤S1之前还包括：

构建所述多阶差分网络模型，并采用随机梯度下降法对所述多阶差分网络模型进行训练，直至由交叉熵函数定义的损失函数计算得到信息损失处于预设范围内，即得到所述训练好的多阶差分网络模型。

7.根据权利要求4所述方法，其特征在于，步骤S4具体包括：

将所述第二数据集中的每一时序数据正序输入一个第一多层递归神经网络得到第一特征向量，将所述每一时序数据倒序输入对应的第二多层递归神经网络得到第二特征向量，并将所述第一特征向量和所述第二特征向量连结得到所述每一时序数据的组合特征向量；

将所述每一时序数据的组合特征向量输入所述全连接层，得到所述每一时序数据对应的分类结果向量；

将所述第二数据集中所有时序数据对应的分类结果向量相加得到所述高频时序数据的分类结果向量。