CN109213807A - 一种智能制造大数据的增量学习方法及装置 - Google Patents

Abstract

本发明涉及智能制造增量学习技术领域，具体涉及一种智能制造大数据的增量学习方法及装置，通过采集制造过程的历史数据，形成分类数据集；进而获取新数据，作为输入数据，通过编码函数建立输入层数据与隐藏层数据的映射关系，通过解码函数将隐藏层数据映射到网络的实际输出，对节点参数和权重进行优化，形成分类后的增量学习模型，从而保证智能制造产生的大数据的完整性，并对大数据进行及时分析与处理。

Description

一种智能制造大数据的增量学习方法及装置

技术领域

本发明涉及智能制造增量学习技术领域，具体涉及一种智能制造大数据的增量学习方法及装置。

背景技术

制造过程中应用机器学习是进一步对制造***进行智能赋能，实现替代或辅助管理人员和专业人员对不确定业务进行决策的能力。

制造过程中产生的大数据具有高速变化特性，数据以极快的速度产生，其内容和分布特征均处于高速动态变化之中。在这种情况下，典型的方法是将新数据与之前的所有数据相结合，并从头开始训练新的分类器。这种方法导致所有先前学到的知识丢失，这种现象称为灾难性遗忘。此外，如果先前的数据集丢失，丢弃，损坏，无法访问或不可用，则新旧数据集的组合甚至不总是可行的选项。增量学习是这种场景的解决方案，可以将其定义为提取新信息而不会丢失以后可用的其他数据集的先验知识的过程。

同时，大数据要求得到及时分析与处理。典型的深度学习采用前馈神经网络堆叠而成，前馈神经网络是一种静态学习模型，导致深度学习难以学习处于高速动态变化中的大数据特征。

因此，如何提供一种能保证智能制造产生的大数据的完整性，并对大数据进行及时分析与处理成为关键问题。

发明内容

本发明提供一种智能制造大数据的增量学习方法及装置，能保证智能制造产生的大数据的完整性，并对大数据进行及时分析与处理。

本发明提供的一种智能制造大数据的增量学习方法，包括以下步骤：

步骤A、采集制造过程的历史数据，形成分类数据集D_t；

步骤B、获取新数据，作为输入数据x，通过编码函数建立输入层数据x与隐藏层数据f(x)的映射关系，所述编码函数的计算公式如下：

其中，a_i，b_i为随机的输入层节点参数，β_i为随机的输入层到隐藏层的权重，L为输入层的节点个数；

步骤C、通过解码函数将隐藏层数据f(x)映射到网络的实际输出g(x)，所述解码函数的计算公式如下：

其中，a_j，b_j为随机的隐藏层节点参数，β_j为随机的隐藏层到输出层的权重，L′为隐藏层的节点个数；

步骤D、对节点参数a_i，b_i，a_j，b_j和权重β_i，β_j进行优化；

步骤E、形成分类后的增量学习模型。

进一步，所述步骤A中的数据具体包括：智能制造环节中产生的信号的幅度、频率、相位，信号所处的制造节点。

进一步，所述步骤A具体包括：

步骤A1、将Xn＝{x₁,x₂,...,x_m}为待分类项，x_i表示n维特征空间Xn的一个特征属性，将C＝{Y₁,Y₂,...,Y_m}作为类别集合；

步骤A2、分别计算P(y₁/Xn),P(y₂/Xn),...,P(y_m/Xn)；

步骤A3、通过以下公式将Xn分类，

P(y_i/Xn)＝max{P(y₁/Xn),P(y₂/Xn),...,P(y_m/Xn)}，

其中，Xn∈Y_i；

步骤A4、形成数据集D_t，其中，D_t＝(x_i,y_i)(i＝1,...,m)，y_i表示x_i对应的类别标签。

进一步，所述步骤D具体包括：

步骤D1、通过前向传播模型计算隐藏层神经元的输出值f(x,θ)及神经网络模型的输出值g(x,θ)，其中f(x,θ)，g(x,θ)表示当参数为θ时，x经过非线性映射得到的实际输出，θ＝{a_i,b_i,β_i,a_j,b_j,β_j}；

步骤D2、计算网络模型的实际输出值与理想输出值y的差值△y，计算公式为：△y＝y-g(x,θ)；

步骤D3、通过反向传播模型计算神经网络模型输出值g(x,θ)对原始参数θ的偏导数，计算公式如下：

步骤D4、计算偏导数矩阵f′(x,θ)的逆矩阵，计算公式如下：

步骤D5、根据以下公式计算网络模型的参数增量△θ，计算公式如下：

其中，u为学习效率；

步骤D6、将θ+△θ作为更新的网络模型的参数。

本发明提供的一种智能制造大数据的增量学习装置，包括计算机可读介质，所述介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述任一项所述的方法。

本发明的有益效果是：本发明公开一种智能制造大数据的增量学习方法及装置，通过采集制造过程的历史数据，形成分类数据集；进而获取新数据，作为输入数据，通过编码函数建立输入层数据与隐藏层数据的映射关系，通过解码函数将隐藏层数据映射到网络的实际输出，对节点参数和权重进行优化，形成分类后的增量学习模型，从而保证智能制造产生的大数据的完整性，并对大数据进行及时分析与处理。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是本发明实施例一种智能制造大数据的增量学习的方法流程示意图；

图2是本发明实施例一种智能制造大数据的增量学习的方法步骤D的流程示意图。

具体实施方式

参考图1～2，本发明提供的一种智能制造大数据的增量学习方法，包括以下步骤：

步骤A、采集制造过程的历史数据，形成分类数据集D_t；

步骤B、获取新数据，作为输入数据x，通过编码函数建立输入层数据x与隐藏层数据f(x)的映射关系，所述编码函数的计算公式如下：

其中，a_i，b_i为随机的输入层节点参数，β_i为随机的输入层到隐藏层的权重，L为输入层的节点个数；

步骤C、通过解码函数将隐藏层数据f(x)映射到网络的实际输出g(x)，所述解码函数的计算公式如下：

其中，a_j，b_j为随机的隐藏层节点参数，β_j为随机的隐藏层到输出层的权重，L′为隐藏层的节点个数；

步骤D、对节点参数a_i，b_i，a_j，b_j和权重β_i，β_j进行优化；

步骤E、形成分类后的增量学习模型。

进一步，所述步骤A中的数据具体包括：智能制造环节中产生的信号的幅度、频率、相位，信号所处的制造节点。

进一步，所述步骤A具体包括：

步骤A1、将Xn＝{x₁,x₂,...,x_m}为待分类项，x_i表示n维特征空间Xn的一个特征属性，将C＝{Y₁,Y₂,...,Y_m}作为类别集合；

步骤A2、分别计算P(y₁/Xn),P(y₂/Xn),...,P(y_m/Xn)；

步骤A3、通过以下公式将Xn分类，

P(y_i/Xn)＝max{P(y₁/Xn),P(y₂/Xn),...,P(y_m/Xn)}，

其中，Xn∈Y_i；

步骤A4、形成数据集D_t，其中，D_t＝(x_i,y_i)(i＝1,...,m)，y_i表示x_i对应的类别标签。

进一步，所述步骤D具体包括：

步骤D1、通过前向传播模型计算隐藏层神经元的输出值f(x,θ)及神经网络模型的输出值g(x,θ)，其中f(x,θ)，g(x,θ)表示当参数为θ时，x经过非线性映射得到的实际输出，θ＝{a_i,b_i,β_i,a_j,b_j,β_j}；

步骤D2、计算网络模型的实际输出值与理想输出值y的差值△y，计算公式为：△y＝y-g(x,θ)；

步骤D3、通过反向传播模型计算神经网络模型输出值g(x,θ)对原始参数θ的偏导数，计算公式如下：

步骤D4、计算偏导数矩阵f′(x,θ)的逆矩阵，计算公式如下：

步骤D5、根据以下公式计算网络模型的参数增量△θ，计算公式如下：

其中，u为学习效率；

步骤D6、将θ+△θ作为更新的网络模型的参数。

本发明提供的一种智能制造大数据的增量学习装置，包括计算机可读介质，所述介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述任一项所述的方法。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (5)

1.一种智能制造大数据的增量学习方法，其特征在于，包括以下步骤：

步骤A、采集历史制造过程中的数据，形成分类数据集D_t；

步骤B、获取制造过程中的新数据，作为输入数据x，通过编码函数建立输入层数据x与隐藏层数据f(x)的映射关系，所述编码函数的计算公式如下：

其中，a_i，b_i为随机的输入层节点参数，β_i为随机的输入层到隐藏层的权重，L为输入层的节点个数；

步骤C、通过解码函数将隐藏层数据f(x)映射到网络的实际输出g(x)，所述解码函数的计算公式如下：

其中，a_j，b_j为随机的隐藏层节点参数，β_j为随机的隐藏层到输出层的权重，L′为隐藏层的节点个数；

步骤D、对节点参数a_i，b_i，a_j，b_j和权重β_i，β_j进行优化；

步骤E、形成分类后的增量学习模型。

2.根据权利要求1所述的一种智能制造大数据的增量学习方法，其特征在于，所述步骤A中的数据具体包括：智能制造环节中产生的信号的幅度、频率、相位，信号所处的制造节点。

3.根据权利要求2所述的一种智能制造大数据的增量学习方法，其特征在于，所述步骤A具体包括：

步骤A1、将Xn＝{x₁,x₂,...,x_m}为待分类项，x_i表示n维特征空间Xn的一个特征属性，将C＝{Y₁,Y₂,...,Y_m}作为类别集合；

步骤A2、分别计算P(y₁/Xn),P(y₂/Xn),...,P(y_m/Xn)；

步骤A3、通过以下公式将Xn分类，

P(y_i/Xn)＝max{P(y₁/Xn),P(y₂/Xn),...,P(y_m/Xn)}，

其中，Xn∈Yi；

步骤A4、形成数据集D_t，其中，D_t＝(x_i,y_i)(i＝1,...,m)，y_i表示x_i对应的类别标签。

4.根据权利要求1所述的一种智能制造大数据的增量学习方法，其特征在于，所述步骤D具体包括：

步骤D1、通过前向传播模型计算隐藏层神经元的输出值f(x,θ)及神经网络模型的输出值g(x,θ)，其中f(x,θ)，g(x,θ)表示当参数为θ时，x经过非线性映射得到的实际输出，θ＝{a_i,b_i,β_i,a_j,b_j,β_j}；

步骤D2、计算网络模型的实际输出值与理想输出值y的差值△y，计算公式为：△y＝y-g(x,θ)；

步骤D3、通过反向传播模型计算神经网络模型输出值g(x,θ)对原始参数θ的偏导数，计算公式如下：

步骤D4、计算偏导数矩阵f′(x,θ)的逆矩阵，计算公式如下：

步骤D5、根据以下公式计算网络模型的参数增量△θ，计算公式如下：

其中，u为学习效率；

步骤D6、将θ+△θ作为更新的网络模型的参数。

5.一种智能制造大数据的增量学习装置，其特征在于，包括计算机可读介质，所述介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1～4中任一项所述的方法。