一种融合STDP与贝叶斯置信传播神经网络的工业类脑感知与决策系统的制作方法

本发明涉及工业物联网及类脑计算，尤其涉及一种融合stdp与贝叶斯置信传播神经网络的工业类脑感知与决策系统，依托有限跨设备时序学习、双缓冲区增量更新、可扩展静态配置模块化设计，实现多源工业数据类脑感知、异常事件链学习、概率置信推理、在线辅助决策的工业类脑感知与决策。

背景技术：

1、智慧工厂依靠传感器、plc、scada、mes、工业相机、质量检测单元、边缘网关完成设备与生产流程监测，现有主流监测方案分为固定阈值报警、专家规则、传统机器学习、深度学习四类。

2、固定阈值报警与专家规则依靠工程阈值、经验公式、人工规则判别振动、电流、温度、压力、流量、质量指标、plc报警；实现简单、可解释、部署成本低，但仅适配单一变量或少量规则组合，无法表达多源异步事件的先后触发关系，面对设备老化、工况漂移、原料批次变化、标注样本稀缺场景适配性极差。

3、传统机器学习依赖人工设计滑动窗口均值、方差、频域特征、异常分数、工艺统计量；深度学习可自动提取复杂特征，但训练需要海量标注样本，在线增量更新计算成本高；模型仅输出类别概率、报警等级，无法向运维人员提供异常事件先后顺序、根因候选链、可落地处置动作，模型可解释性缺失。

4、工业数据存在异步、噪声强、数据频繁缺失、多设备采样频率不一致的特性，统一重采样处理会弱化突发异常、破坏事件先后时序关系。固定阈值、专家规则依托人工经验，无法自主挖掘跨传感变量、跨工位、跨设备的弱关联时序事件链。传统机器学习、深度学习仅关注静态窗口特征或端到端分类结果，无法完整呈现前置事件、继发事件、事件链支撑诊断的完整因果逻辑。标注样本数量不足、设备状态长期漂移、工艺工况频繁切换的工业现场，传统模型需要整体全量重训练，批量更新算力成本极高。现有技术将异常检测、故障诊断、质量风险判断、处置动作分散独立实现，不存在融合stdp时序关联学习、贝叶斯置信网络概率联想推理、人工反馈增量更新的一体化闭环辅助决策机制。

5、stdp机制能够依据前后脉冲触发时间差调整神经元时序关联权重，表征前序事件诱发后序事件的时序依赖关系。轴承磨损工况下会先出现振动异常，后续产生声音异常、温度升高；管路堵塞工况下会先出现压力升高，后续产生电流波动、产品质量指标下降。时序先后关系用于早期故障识别、根因追溯，单独使用stdp仅能完成时序关联学习，无法输出故障类别、质量风险、处置动作之间带置信度的概率解释。

6、贝叶斯置信传播神经网络融合贝叶斯推理、hebbian联想学习核心逻辑，依靠统计输入事件、输出类别的共现频率，估算边缘概率、联合概率，求解类别固有倾向偏置、特征与类别概率依赖强度权重，可在不确定工业环境中完成带置信度概率推理、联想决策。该网络遵循大脑皮层柱状结构模块化排布，基础计算单元分为两级：微柱单元为最小计算单元，超柱单元由若干微柱单元组合而成。

7、现有技术未将stdp时序学习与贝叶斯置信传播神经网络融合，不存在适配工业多源异步数据、边缘轻量化在线更新、产线模块化联动推理的完整系统架构。

8、因此，亟需一种新的技术方案来解决上述技术问题。

技术实现思路

1、本发明的目的在于克服上述现有技术的问题，提供了一种融合stdp与贝叶斯置信传播神经网络的工业类脑感知与决策系统，该系统将连续工业传感数据、离散报警、视觉质量检测数据统一转换为工业脉冲事件序列；利用stdp规则自主学习工业脉冲事件触发先后依赖关系，提取首发事件、故障工业脉冲事件链特征；利用贝叶斯置信传播神经网络建立单工业脉冲事件、工业脉冲事件链、工况、故障、质量风险、处置动作之间概率联想关系；结合人工运维反馈完成分层在线增量更新，构建完整类脑感知、辅助决策自迭代闭环系统。

2、上述目的是通过以下技术方案来实现：

3、一种融合stdp与贝叶斯置信传播神经网络的工业类脑感知与决策系统，包括：

4、多源工业数据采集模块，所述多源工业数据采集模块输出统一标记后的工业数据；

5、脉冲事件编码模块，所述脉冲事件编码模块将所述工业数据转换为带时间戳的工业脉冲事件序列；

6、stdp时序关联学习模块，所述stdp时序关联学习模块学习所述工业脉冲事件序列的时序依赖关系，并提取首发事件、高权重工业脉冲事件链特征；

7、贝叶斯置信概率联想模块，所述贝叶斯置信概率联想模块建立输入特征与故障、质量风险、处置动作的概率关联；

8、模块化表示模块，所述模块化表示模块采用超柱单元与微柱单元双层类脑结构完成多设备状态模块化映射与跨模块联动置信推理；

9、辅助决策推理模块，所述辅助决策推理模块融合多类特征输出带置信度的故障诊断、根因工业脉冲事件链及处置动作；

10、在线反馈更新模块，所述在线反馈更新模块根据人工确认、维修记录分层增量更新网络权重；

11、事件驱动存储优化模块，所述事件驱动存储优化模块配置有限长度后事件历史缓冲区，仅对时序关联的工业脉冲事件对应的局部权重更新，并通过类别先验概率补偿缓冲区外历史工业脉冲事件带来的系统偏差。

12、各模块之间的调用与数据流转关系为：所述多源工业数据采集模块输出数据至所述脉冲事件编码模块；所述脉冲事件编码模块输出工业脉冲事件序列至所述stdp时序关联学习模块和所述贝叶斯置信概率联想模块；所述stdp时序关联学习模块输出高权重工业脉冲事件链特征至所述贝叶斯置信概率联想模块；所述贝叶斯置信概率联想模块输出概率关联参数至所述模块化表示模块；所述模块化表示模块输出跨模块状态置信结果至所述辅助决策推理模块；所述辅助决策推理模块输出诊断结果至所述在线反馈更新模块；所述在线反馈更新模块分别反向更新所述stdp时序关联学习模块、所述贝叶斯置信概率联想模块内部权重参数；所述事件驱动存储优化模块在所述stdp时序关联学习模块、所述贝叶斯置信概率联想模块执行权重更新过程中，提供局部缓冲与数值补偿支持。

13、进一步地，所述多源工业数据采集模块接入振动、电流、温度、压力、声音、流量、转速传感器、工业相机、质量检测单元、plc、scada、mes、边缘网关的数据；对连续传感数据记录采样值、时间与设备标识，对离散事件记录报警编码、触发时长，对视觉质量数据记录缺陷概率、批次工位；统一标注设备id、产线id、上下游有向关系并输出至所述脉冲事件编码模块。

14、进一步地，所述脉冲事件编码模块包括异常分数计算、工程阈值判别、不应期噪声抑制逻辑；针对连续传感变量构建滑动窗口异常分数计算逻辑，计算时引入极小常数防止分母为零，异常分数等于采样值与窗口均值差值除以窗口标准差加极小常数，当异常分数或采样值越界、且满足不应期条件时生成工业脉冲事件；采用二元0、1触发标识表征工业脉冲事件的触发状态，将连续信号、离散报警统一转换为保留时序先后关系的工业脉冲事件序列。

15、进一步地，所述stdp时序关联学习模块依据所述工业脉冲事件序列中各工业脉冲事件的触发时间差，正负双向增减时序关联权重，权重增量随时间差呈指数衰减变化；计算完成后采用衰减系数加权、区间裁剪双重约束防止权重无限累积；在每个独立诊断窗口内提取首发事件特征，基于最终稳定时序关联权重筛选能够表征故障因果关系的高权重工业脉冲事件链。

16、进一步地，所述贝叶斯置信概率联想模块持续维护特征计数、类别计数、特征类别联合共现计数三类统计量；引入拉普拉斯平滑系数修正各类概率计算以消除零概率问题；对计算得到的边缘概率、联合概率取对数，求解类别先验偏置与特征类别概率关联权重；事件链与故障类别同步出现频次越高，对应概率关联权重的数值越大。

17、进一步地，所述模块化表示模块中，单台设备或者单一工位或者独立工艺段对应一个超柱单元，设备运行、故障、质量、处置状态对应超柱单元内部多个微柱单元；同一超柱单元内部通过softmax函数竞争输出归一化状态置信度；不同超柱单元之间配置独立跨模块关联权重，融合上游所有单元输出的置信数值完成跨模块状态置信结果计算；所述双层类脑结构可落地于实施例记载的旋转设备、连续生产线两类工业场景，实现全链路全局故障推理。

18、进一步地，所述辅助决策推理模块构建的输入特征向量包括无事件特征、单路工业脉冲事件、首发事件、stdp挖掘得到的高权重工业脉冲事件链、上游模块输出状态五类特征；融合类别先验偏置、跨模块置信得分计算每一类候选故障的推理得分，再通过softmax归一化处理得到各类别对应置信度；低置信度或多类别数值接近场景下，同步输出多组待确认候选结果，并附带根因工业脉冲事件链、特征贡献项、推荐处置动作。

19、进一步地，所述在线反馈更新模块设置事件级实时更新、窗口级集中更新、批量定时刷新三种增量更新模式；采用分阶段异步更新逻辑，无标签异常窗口仅更新所述stdp时序关联学习模块内部时序关联权重并缓存工业脉冲事件序列数据，人工确认、维修记录回传后，同步更新所述贝叶斯置信概率联想模块全部统计计数与关联权重；三种更新模式分别适配低延迟识别、设备定点诊断、边缘低算力设备三类工业使用场景。

20、进一步地，所述事件驱动存储优化模块设置固定容量、有限长度的后事件历史缓冲区；当新到达的工业脉冲事件作为后触发事件时，仅读取缓冲区内存储的、与其存在时序关联的历史先触发工业脉冲事件，完成局部权重更新，不执行全局权重矩阵遍历扫描；针对超出缓冲区存储时长的历史工业脉冲事件，采用长期事件发生率、类别先验概率双重数值补偿方式，消除直接丢弃历史数据带来的系统诊断偏差。

21、进一步地，所述系统循环执行自学习闭环运行步骤，具体包括：

22、1）多源工业数据采集与标准化标记；

23、2）脉冲事件编码生成标准化工业脉冲事件序列；

24、3）stdp时序学习挖掘高权重工业脉冲事件链；

25、4）贝叶斯概率统计建立特征与故障的关联关系；

26、5）基于超柱单元、微柱单元完成跨设备模块化状态推理；

27、6）辅助决策输出故障类型、置信度、根因工业脉冲事件链、配套处置方案；

28、7）依托人工反馈分层更新网络全部权重；

29、8）借助缓冲区实现局部存储优化，循环执行全部步骤形成持续自学习闭环。

30、本发明所提供的一种融合stdp与贝叶斯置信传播神经网络的工业类脑感知与决策系统，通过脉冲事件编码模块统一规整多源工业数据时序表达，实现工业异步数据完整时序因果关系留存。通过stdp时序关联学习模块自主挖掘隐性故障事件链，实现相似故障的精准区分识别。通过贝叶斯置信概率联想模块量化特征与风险的概率关联，实现诊断结果可解释输出。通过分层增量更新模式适配多场景迭代优化，实现少量样本下模型持续自适应优化。通过事件驱动存储优化模块执行局部权重更新与概率补偿，实现边缘设备低算力、低开销稳定运行。