[发明专利]针对类不均衡数据的产品关键零部件状态分类方法

权利要求书

1.一种针对类不均衡数据的产品关键零部件状态分类方法，其特征在于，包括以下步骤：

S1.获取产品关键零部件运行过程中的已经具有标签的传感器数据及其标签作为源训练集，标签分类为少数类样本和多数类样本的两类样本数据，获取与源训练集在相同场景下产品关键零部件运行过程中的传感器数据的未具有标签的传感器数据作为辅助训练集，对所述辅助训练集和源训练集进行预处理；

所述步骤S1中，产品关键零部件主要指机电产品的关键零部件；

S2.利用引导聚类算法Bagging对源训练集中的多数类样本采用自助采样方法依次进行连续N次欠采样处理，每次欠采样处理结果作为一个多数类子集，从而获得N个多数类子集，并将每个多数类子集分别与源训练集中的少数类样本进行组合构成一个相对均衡的子数据集，从而获得N个相对均衡的子数据集；

S3.采用支持向量机SVM算法作为Bagging算法的基分类器，利用步骤S2中的N个子数据集并行训练N个SVM分类器，然后采用训练后的N个SVM分类器分别对辅助训练集进行少数类和多数类的分类预测获得预测结果，采用投票法对预测结果进行选择获得最终预测结果；

S4.取出辅助训练集中被步骤S3中的最终预测结果归为少数类的数据，并设置标签为少数类辅助数据，并将少数类辅助数据添加到源训练集中，获得重构后的源训练集；

S5.构建基于双向门控循环网络的深度学习分类模型，并利用重构后的源训练集对模型进行监督训练；

S6.将待预测的传感器数据经过与S1步骤相同的预处理后输入深度学习分类模型中，获得产品关键零部件的状态。

2.根据权利要求1所述的一种针对类不均衡数据的产品关键零部件状态分类方法，其特征在于：所述步骤S1中，数据预处理主要包括缺失值处理、数据标准化处理。

3.根据权利要求1所述的一种针对类不均衡数据的产品关键零部件状态分类方法，其特征在于：所述步骤S3中，N个SVM对辅助训练集的数据进行预测得到N个预测结果，采用投票法综合各个SVM对应获得的分类预测结果进行判断，对辅助训练集中每个数据在各个SVM中获得的分类预测结果数量最多的结果作为该数据的分类预测结果。

4.根据权利要求1所述的一种针对类不均衡数据的产品关键零部件状态分类方法，其特征在于：所述S5中，在深度学习分类模型的训练中，增大原有源训练集中的少数类样本的权重，同时减小辅助少数类辅助数据的权重。

5.根据权利要求1所述的一种针对类不均衡数据的产品关键零部件状态分类方法，其特征在于：所述步骤S5具体如下：

S51.模型建立：深度学习分类模型的结构依次为输入层、连续两层双向门控循环单元网络、连续两层全连接网络和输出层，在两层全连接网络之间添加连接上随机失活层(dropout)；深度学习分类模型训练时的损失函数为交叉熵函数，学习器采用Adam优化算法；

S52.训练数据权重调整：增大源训练集中的每个少数类样本的权重，设置为w₁1；降低新增添加的源训练集中的少数类辅助数据的权重，设置为w₂1；

S53.利用更新后的源训练集对S51中建立的深度学习分类模型进行监督训练，得到最终分类器。