[发明专利]一种基于目标先验分布的工业时序域适应分类方法

说明书

本发明公开了一种基于目标先验分布的工业时序域适应分类方法，包括以下几个步骤：1)时序数据预处理，2)网络结构与损失函数设计；3)对抗训练；4)保存特征生成网络与任务分类器网络；5)将新的工业时序数据输入保存的特征生成网络与任务分类器网络得到预测结果；通过引入先验知识改进了迁移学习的域适应应用于工业时序数据分类上；提高了模型在目标域的准确性；引入目标域的先验分布，增强了模型的泛化性能。

技术领域：

本发明专利属于工业时序域，具体涉及一种基于目标先验分布的工业时序域适应分类方法。

背景技术：

为实现工业智能，工业时序数据，需要被充分利用，而时间序列分类是工业智能的一个重要技术方法。工业时序分类是常见的问题，比如故障诊断，异常检测及其他预测，是指由工业设备采集的传感器数据。该数据的特点是，连续数据，标签少，噪声大，存在数据漂移问题。

工业时序数据由于存在数据漂移等问题，无法直接应用深度学习方法，且一些专家经验并没有充分考虑。

迁移学习有源域与目标域，源域就是已有的数据，目标域就是要应用的目标。比如，工业时序分类的任务，比如故障诊断，源域就是一种工况下的故障分类，目标域就是新的工况下的故障分类。

例如：有两类不同环境场景下的工业设备数据的传感器信号，目的希望做设备状况分类，场景A下训练的模型直接用到场景B下的数据上，准确率很差，那怎么办呢？我有些场景B的标签数据，同时专家告诉我，场景B下一般哪种类别常见，哪种类别稀有，据此可构造目标域的先验分布，那么利用场景B的少量数据，结合场景A的大量数据，结合专家的经验，就可以训练一个场景B的模型，准确率更高。以故障诊断未来，场景A和场景 B就是不同工况下的故障分类，专家经验就是告诉我场景B下内圈故障比例50％,外圈故障比例30％，滚珠故障比例20％。

在目前现有技术中存在下列问题：

1.工业时序数据存在数据噪声大，样本不足的情况，现有的图像或文本迁移学习无法直接应用于工业时序数据。

2.现有的工业时序的域适应分类方法，大部分对于目标域的先验分布没有充分考虑。目前的迁移学习大多只是考虑的对抗损失，而对于目标域的先验分布信息并未充分考虑。在目标域有有一些先验知识的情况下，并没有充分利用该部分信息。

因此，本发明实际上，通过引入先验知识改进了迁移学习的域适应应用于工业时序数据分类上。基于上述在源域与目标域时序数据分布不同的情况下，提出一种基于目标先验分布的工业时序域适应分类方法用以改善工业时序分类的效果。

发明内容：

本发明的目的在于提供一种基于目标先验分布的工业时序域适应分类方法。

为实现上述目的，本发明所采取的技术方案是一种基于目标先验分布的工业时序域适应分类方法，包括以下几个步骤：

第一步：时序数据预处理

初始工业时序数据经过归一化，平滑等预处理，得到处理后的时间序列作为网络的输入数据，该网络的需要数据需要，源域的时间序列数据，时间序列所属的类别，目标域的时间序列数据。

第二步:网络结构与损失函数设计

网络结构为神经网络结构，依据不同数据集，网络结构不同。这里提供某一实验数据集的网络供参考:

网络按照该损失函数为目标进行训练。