专利摘要
本发明涉及智能制造故障表征技术领域，具体涉及一种制造过程故障信息的智能表征方法及装置，通过采集制造过程中产生的故障信息，提取出所述故障信息的特征数据；建立故障信息从原始数据空间到特征数据空间的非线性特征映射关系；对无监督网络添加稀疏优化约束，建立无监督稀疏网络；求解无监督稀疏网络，获得制造过程数据的稀疏特征数据；将获得的稀疏特征数据作为下一层无监督稀疏网络的输入数据，通过重复训练，得到深层特征数据；将无监督的稀疏网络进行堆叠，形成深层稀疏网络；逐层提取制造过程原始信号中的故障特征数据，输出制造过程的故障信息，从而将深度识别的故障进行智能表达。
权利要求
1.一种制造过程故障信息的智能表征方法，其特征在于，包括以下步骤：
步骤S1、采集制造过程中产生的故障信息，提取所述故障信息的特征数据；
步骤S2、通过无监督网络的非线性变换，建立故障信息从原始数据空间到特征数据空间的非线性特征映射关系；
步骤S3、对无监督网络添加稀疏优化约束，建立无监督稀疏网络；
步骤S4、求解无监督稀疏网络，获得制造过程数据的稀疏特征数据；
步骤S5、将获得的稀疏特征数据作为下一层无监督稀疏网络的输入数据，通过重复训练，得到深层特征数据；
步骤S6、将无监督的稀疏网络进行堆叠，形成深层稀疏网络；
步骤S7、逐层提取制造过程原始信号中的故障特征数据，输出制造过程的故障信息；
其中，所述步骤S1中提取所述故障信息的特征数据具体包括：
步骤S11、初始化：令x＝0，随机生成一个x0赋值给当前的xn；
步骤S12、令n＝n+1，从条件概率分布θ＝x/xn-1中生成候选样本
步骤S13、计算接受概率α，计算公式为：
步骤S14、从均匀分布中生成一个随机数αn；
步骤S15、若αn≤α，则接受候选样本，
步骤S16、跳转到步骤S22重复执行直至n＝N；
步骤S17、生成样本序列(x0，x1，…，xN-1，xN)；
其中，所述步骤S3包括：通过lp(0<p<1)稀疏优化约束，对无监督网络添加稀疏优化约束，建立无监督稀疏网络；
其中，所述步骤S4具体包括：采用拟牛顿优化模型，并计算有限次迭代中曲率信息，构造海森矩阵的近似矩阵，自适应获得理想搜索方向，从而求解无监督稀疏网络，获得制造过程数据的稀疏特征数据。
2.一种制造过程故障信息的智能表征装置，其特征在于，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：
步骤S1、采集制造过程中产生的故障信息，提取所述故障信息的特征数据；
步骤S2、通过无监督网络的非线性变换，建立故障信息从原始数据空间到特征数据空间的非线性特征映射关系；
步骤S3、对无监督网络添加稀疏优化约束，建立无监督稀疏网络；
步骤S4、求解无监督稀疏网络，获得制造过程数据的稀疏特征数据；
步骤S5、将获得的稀疏特征数据作为下一层无监督稀疏网络的输入数据，通过重复训练，得到深层特征数据；
步骤S6、将无监督的稀疏网络进行堆叠，形成深层稀疏网络；
步骤S7、逐层提取制造过程原始信号中的故障特征数据，输出制造过程的故障信息；
其中，所述步骤S1中提取所述故障信息的特征数据具体执行步骤为：
步骤S11、初始化：令x＝0，随机生成一个x0赋值给当前的xn；
步骤S12、令n＝n+1，从条件概率分布θ＝x/xn-1中生成候选样本
步骤S13、计算接受概率α，计算公式为：
步骤S14、从均匀分布中生成一个随机数αn；
步骤S15、若αn≤α，则接受候选样本，
步骤S16、跳转到步骤S22重复执行直至n＝N；
步骤S17、生成样本序列(x0，x1，…，xN-1，xN)；
其中，所述步骤S3中控制模块读取所述指令具体执行步骤为：
通过lp(0<p<1)稀疏优化约束，对无监督网络添加稀疏优化约束，建立无监督稀疏网络；
其中，所述步骤S4中控制模块读取所述指令具体执行步骤为：结合拟牛顿优化模型，通过计算有限次迭代中曲率信息，构造海森矩阵的近似矩阵，自适应获得理想搜索方向，从而求解无监督稀疏网络，获得制造过程数据的稀疏特征数据。
一种制造过程故障信息的智能表征方法及装置专利购买费用说明
Q：办理专利转让的流程及所需资料
A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。
1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。
2：按规定缴纳著录项目变更手续费。
3：同时提交相关证明文件原件。
4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。
Q:专利著录项目变更费用如何缴交
A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式
Q：专利转让变更，多久能出结果
A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。
动态评分
0.0