(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211053039.0 (22)申请日 2022.08.30 (71)申请人 北京华控智加科技有限公司 地址 100083 北京市海淀区王庄路1号同方 科技广场D座 东楼1803 (72)发明人 邓羽丰　刘加　卢回忆　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 孟洋 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/00(2012.01) (54)发明名称 基于多个预训练神经网络的设备健康状态 分类方法 (57)摘要 本申请提出了一种基于多个预训练神经网 络的设备健康状态分类方法， 该方法包括： 获取 待分类设备的历史音 频数据， 并通过预训练数据 集和分类目标函数对多个神经网络进行预训练； 通过历史音频数据对多个预训练神经网络进行 循环迭代训练； 针对每段历史音频数据， 获取多 个训练完成的神经网络输出的多个决策向量， 计 算对应的融合决策向量； 通过无监督聚类算法对 全部的融合决策向量进行聚类， 通过专家知 识标 注每个类对应的设备健康状态； 将实时音频数据 输入至多个训练完成的神经网络， 获得对应的目 标融合决策向量， 并根据目标融合决策向量所属 的类， 确定待分类设备的实际健康状态。 该方法 可以提高设备健康状态分类的准确性， 减少数据 标注成本 。 权利要求书2页 说明书10页 附图2页 CN 115496131 A 2022.12.20 CN 115496131 A 1.一种基于多个预训练神经网络的设备健康状态分类方法， 其特征在于， 包括以下步 骤： 获取待分类设备的大量历史音频数据， 并通过预训练数据集和分类目标函数对预设的 多个神经网络进行 预训练， 获得多个预训练神经网络； 通过所述历史音频数据对所述多个预训练神经网络进行循环迭代训练直至满足收敛 条件， 获得多个训练完成的神经网络； 针对每段历史音频数据， 获取所述多个训练完成的神经网络输出的多个决策向量， 计 算所述多个决策向量的平均值， 获得对应的融合决策向量； 通过无监督聚类算法对全部的所述融合决策向量进行聚类， 并通过专家知识标注每个 类对应的设备健康状态； 将所述待分类设备的实时音频数据输入至所述多个训练完成的神经网络， 获得对应的 目标融合决策向量， 并根据所述 目标融合决策向量所属的类， 确定所述待分类设备 的实际 健康状态。 2.根据权利要求1所述的分类方法， 其特征在于， 所述通过所述历史音频数据对所述多 个预训练神经网络进行循环迭代训练直至满足收敛 条件， 包括： 将所述多个预训练神经网络进行排序； 通过序列中的第一个预训练神经网络对所述历史音频 数据进行决策， 获得 标签数据； 通过所述标签数据和所述历史音频数据训练所述序列中的下一个预训练神经网络， 并 通过训练后的下一个预训练神经网络对所述历史音频 数据进行决策， 更新标签数据； 按照排序顺序依次切换至下一个预训练神经网络， 并重复对切换后的下一个预训练神 经网络进行训练的过程， 直至对所述序列中的全部预训练神经网络进行训练； 从所述第一个预训练神经网络开始进行下一轮的迭代训练， 直至判断出满足所述收敛 条件。 3.根据权利要求2所述的分类方法， 其特征在于， 所述收敛条件包括所述多个预训练神 经网络模型对所述历史音频 数据的决策一 致， 判断是否满足所述收敛 条件， 包括： 在每一轮迭代中， 获取每个所述预训练神经网络计算出的所述历史音频数据的决策向 量； 将全部的所述决策向量两 两计算距离， 并对 全部的所述距离求和， 获得距离和； 在所述距离和趋 近于稳定值时， 判定满足所述收敛 条件。 4.根据权利要求3所述的分类方法， 其特征在于， 所述距离为每两个决策向量的相似程 度指示值， 所述距离包括： 欧式距离和交叉熵。 5.根据权利要求1所述的分类方法， 其特征在于， 所述预训练数据集包括： AudioSet音 频事件数据集， 所述分类目标函数为多标签分类损失函数， 每个类标签对应一个二值交叉 熵损失函数。 6.根据权利要求1所述的分类方法， 其特征在于， 所述预设的多个神经网络具有相同的 决策空间， 所述预设的多个神经网络包括： 不同层数的深度卷积神经网络模型CNN、 不同层 数的深度残差神经网络模型ResNet、 轻量级网络MobileNet、 一维卷积神经网络和Wavegram 卷积神经网络 。 7.根据权利要求1所述的分类方法， 其特征在于， 所述无监督聚类算法包括k ‑means聚权　利　要　求　书 1/2 页 2 CN 115496131 A 2类算法和GM M聚类算法。 8.根据权利要求1所述的分类方法， 其特征在于， 所述通过专家知识标注每个类对应的 设备健康状态， 包括： 从聚类后的每 个类别中抽取 预设数量的数据； 通过专家知识人工标注每 类数据对应的健康状态类别。 9.一种基于多个预训练神经网络的设备健康状态分类系统， 其特征在于， 包括以下模 块： 第一训练模块， 用于获取待分类设备的大量历史音频数据， 并通过预训练数据集和分 类目标函数对预设的多个神经网络进行 预训练， 获得多个预训练神经网络； 第二训练模块， 用于通过所述历史音频数据对所述多个预训练神经网络进行循环迭代 训练直至满足收敛 条件， 获得多个训练完成的神经网络； 计算模块， 用于针对每段历史音频数据， 获取所述多个训练完成的神经网络输出的多 个决策向量， 计算所述多个决策向量的平均值， 获得对应的融合决策向量； 聚类模块， 用于通过无监督聚类算法对全部的所述融合决策向量进行聚类， 并通过专 家知识标注每 个类对应的设备健康状态； 确定模块， 用于将所述待分类设备的实时音频数据输入至所述多个训练完成的神经网 络， 获得对应的目标融合决策向量， 并根据所述目标融合决策向量所属的类， 确定所述待分 类设备的实际健康状态。 10.一种非临时性计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计 算机程序被处理器执行时实现如权利要求 1‑8中任一所述的基于多个预训练神经网络的设 备健康状态分类方法。权　利　要　求　书 2/2 页 3 CN 115496131 A 3