买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学

摘要：本发明公开一种基于对比学习的双向增量多类别故障分类方法，双向指增量更新过程中，既包含对于在当前学习对历史信息的维护，也包含随着当前学习进行的历史信息更新。由于同质类别样本与本类别特征中心之间距离较近、异质类特征中心之间较远的特点，使得本发明在通过交叉熵损失函数建立新旧任务特征的基础上，通过对比学习来解决增量故障分类中如何保留旧知识的问题。同时通过随机移动加权指数更新历史类别的特征中心，消除参数更新导致的类别中心漂移问题，使得旧特征空间更新，与新特征空间对齐，使得增量故障分类效果更好，准确率更高。

主权项：1.一种基于对比学习的双向增量多类别故障分类方法，其特征在于，包括离线训练和在线应用两部分；所述离线训练包括：设定分类任务轮次为t，当t＝1时，执行S1.1-1-4；S1.1：收集当前工况情况下C1个类别的离线工业过程数据样本，其中包含正常工况数据以及各种故障数据；S1.2：建立神经网络故障分类模型，根据随机梯度下降法，反向传播训练交叉熵损失函数更新网络参数；所述神经网络故障分类模型包括特征提取器和线性分类器，所述神经网络故障分类模型的输入为故障样本，输出为每个故障类别的预测置信度；S1.3：根据蓄水池算法，对未知长度的样本数据进行操作，为每个样本分配相等的被存入历史数据库的概率，更新历史数据库；S1.4：计算每个类别特征中心点，保存入历史数据库：每当有新的故障类别出现时，开始新一轮分类任务，即t≥2时，执行步骤S1.5～S1.8；S1.5：收集第t轮任务工况情况下C2个类别的离线工业过程数据样本，其与第一轮的故障类别不同，作为一轮增量任务；S1.6：计算每个类别临时特征中心点；S1.7：构建损失函数，所述损失函数为当前任务分类损失函数、对比学习损失函数和历史数据库中历史样本的交叉熵损失函数的加权和；根据随机梯度下降法，反向传播训练损失函数，且训练过程中通过移动加权平均方法，随机更新历史类别特征中心点；S1.8：根据蓄水池算法更新历史数据库，维持历史数据库总样本数不变；同时，对于每个新的故障类别，同样计算每个类别特征中心点，保存入历史数据库；所述在线应用包括：获取在线样本，将在线样本输入训练后的神经网络故障分类模型，得到特征提取器的输出，计算特征提取器的输出与所有类别特征中心点的欧式距离，选取最小欧式距离对应的类别特征中心点所在类别为在线样本的类别。

全文数据：

权利要求：

百度查询： 浙江大学 基于对比学习的双向增量多类别故障分类方法