[發明專利]一種基于多尺度抽樣的機電設備狀態數據補全與預測方法

有效

• 申請號: 202010587623.9
• 申請日: 2020-06-24
• 公開（公告）號: CN111738420B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 莫毓昌
• 申請（專利權）人: 莫毓昌
• 主分類號: G06N3/0475
• 分類號: G06N3/0475;G06N3/094
• 代理公司: 泉州市眾創致遠專利代理事務所(特殊普通合伙) 35241
• 代理人: 汪彩鳳

1.一種基于多尺度抽樣的機電設備狀態數據補全與預測方法，其特征在于：包括如下步驟：

S1、采用智能傳感器采集獲取機電設備工作過程中的工況數據，構造工況數據集D，D中的故障樣本數據集記為DF，D中的正常樣本數據集記為DG；

S2、利用不同間隔跨度抽樣的方法，從故障樣本數據集DF抽取相應的子集，作為故障樣本擴充數據集；其具體操作如下：

對于故障樣本數據集DF={Z(t=1),Z(t=2),…,Z(t=n)}，可以按照2的m次方提取故障樣本數據集DF的子集DFm，作為故障樣本擴充數據集，其中

DF0=DF={Z(t=1),Z(t=2),…,Z(t=n)}

DF1={Z(t=2),Z(t=4),…,}

DF2={Z(t=4),Z(t=8),…,}

…

DFm={Z(t=2的m次方),Z(t=2的m+1次方),…,}

S3、對各個故障樣本擴充數據集，建立相應的生成式對抗網絡模型，并進行樣本補全，獲得故障樣本擴充補全數據集，其具體操作如下：

S31、構造生成式對抗網絡模型，其中包括構造生成器網絡、構造判別器網絡和構造損失函數，具體操作如下：

S311、構造生成器網絡：

生成器網絡由2個隱藏層和一個輸出層組成；

生成器網絡的第1個隱藏層包含128個神經元，其計算過程為：

O1=ReLU(w1●x+b1)；

其中x是生成器網絡的輸入；w1是權值矩陣，b1是偏置；O1是128維的輸出向量；

生成器網絡的第2個隱藏層包含64個神經元，其計算過程為：

O2=ReLU(w2●O1+b2)；

其中O1是第1個隱藏層的輸出向量，w2是權值矩陣，b2是偏置；O2是64維的輸出向量；

生成器網絡的輸出層，計算過程為：

y=ReLU(w3●O2+b3)；

其中O2是第2個隱藏層的輸出向量，w3是權值矩陣，b3是偏置；y是維度和x相同的輸出向量；

S312、構造判別器網絡：

判別器網絡由2個隱藏層和一個輸出層組成；

判別器網絡的第1個隱藏層包含128個神經元，其計算過程為：

O1=ReLU(w1●x+b1)；

其中x是判別器網絡的輸入；w1是權值矩陣，b1是偏置；O1是128維的向量；

判別器網絡的第2個隱藏層包含64個神經元，其計算過程為：

O2=ReLU(w2●O1+b2)；

其中O1是第1個隱藏層的輸出向量，w2是權值矩陣，b2是偏置；O2是64維的向量；

判別器網絡的輸出層，計算過程為：

y=sigmoid(w3●O2+b3)；

其中O2是第2個隱藏層的輸出向量，w3是權值矩陣，b3是偏置；y是單個概率輸出值；

S313、構造損失函數：

首先，利用真實故障數據樣本數據塊，計算判別器網絡的輸出均值?；

其中，x是真實故障數據樣本，E是均值，D是判別器網絡；

判別器網絡對于判定為真實故障樣本的樣本輸出為1；

判別器網絡對于判定為假故障樣本的樣本輸出為0；

所以該均值越大證明判別器網絡越有效；

利用生成器生成的假故障數據樣本數據塊，計算判別器網絡的輸出均值；

其中，z為生成的假故障數據樣本，z=G(seed),G是生成器網絡，seed是從均值分布中隨機抽樣得到假故障數據樣本種子；D是判別器網絡；

判別器網絡對于判定為真實故障樣本的樣本輸出為1；

判別器網絡對于判定為假故障樣本的樣本輸出為0；

所以該均值越小證明判別器網絡越有效；而該均值越大證明生成器網絡越有效；

構造正則項H，用于抑制生成式對抗網絡模型訓練過程中梯度消失現象；

H=γ*；

其中，對任意生成的假故障數據樣本z，x_closest是和z歐式距離最近的真實故障數據樣本；

其中，D是判別器網絡；

其中，γ是正則化常數，設置為10；

構造判別器網絡損失函數LD；

LD=-+H；

其中，x是真實故障數據樣本，E是均值，D是判別器網絡；z為生成的假故障數據樣本，z=G(seed),G是生成器網絡，seed是從均值分布中隨機抽樣得到假故障數據樣本種子；H是正則項；

構造生成器網絡損失函數LG；

LG=-；

其中，z為生成的假故障數據樣本，z=G(seed),G是生成器網絡，seed是從均值分布中隨機抽樣得到假故障數據樣本種子，D是判別器網絡，E是均值；

S32、訓練生成式對抗網絡模型，其中包括如下步驟：

S321、從均值分布中隨機抽樣得到K個假故障數據樣本種子，利用生成器網絡生成的K個假故障數據樣本，K設置為32，構成假故障數據樣本數據塊Dz；

S322、從故障樣本擴充數據集中隨機抽取K個真實故障樣本，K設置為32，構成真實故障數據樣本數據塊Dr；

S323、利用Dz和Dr，基于損失函數LD，利用經典的梯度下降神經網絡訓練算法，訓練對抗生成網絡，特別的，訓練時，固定生成器網絡的參數不變，只更新判別器網絡的參數；

S324、從均值分布中隨機抽樣得到K個假故障數據樣本種子，利用生成器網絡生成的K個假故障數據樣本，K設置為32，構成假故障數據樣本數據塊Dz’；

S325、利用Dz’，基于損失函數LG，利用經典的梯度下降神經網絡訓練算法，訓練對抗生成網絡，特別的，訓練時，固定判別器網絡的參數不變，只更新生成器網絡的參數；

S326、步驟S321-S324為一個訓練周期，重復N個訓練周期訓練判別器網絡和生成器網絡之后，保存生成器網絡參數，N設置為10000；

S33、利用訓練完成的生成器網絡，進行樣本補全，獲得故障樣本擴充補全數據集，其具體操作如下：

S331、從均值分布中隨機抽樣得到L個假故障數據樣本種子，利用訓練完成的生成器網絡生成的L個假故障數據樣本，L可以設置為1000；

S332、從故障樣本擴充數據集中隨機抽取W個真實故障樣本，從正常樣本數據集中隨機抽取2W個正常樣本，合并構造訓練數據集TR，W可以設置為100；

S333、分別構造5個傳統的分類器模型，包括SVM模型、決策樹模型、樸素貝葉斯模型、線性模型、3層神經網絡模型；

S334、利用訓練數據集TR對5個傳統的分類器模型進行訓練；

S335、利用訓練好的5個傳統的分類器模型對步驟S331中生成器網絡生成1000個假故障數據樣本進行選擇，剔除低質量的假故障數據樣本；

S336、剔除低質量的假故障數據樣本之后留下的高質量假故障數據樣本，并入各個故障樣本擴充數據集，獲得故障樣本擴充補全數據集；

S4、構造多層神經網絡，針對每個故障樣本擴充補全數據集，利用相同的等距抽樣方法，從正常樣本數據集DG中抽樣獲得和故障樣本擴充補全數據集中故障樣本相同大小的正常樣本，合并構造訓練數據集TR，利用訓練數據集TR訓練多層神經網絡模型作為機電設備健康狀態預測模型，其中具體情況如下：

構造多層神經網絡模型：

多層神經網絡模型由2個隱藏層和一個輸出層組成；

多層神經網絡模型的第1個隱藏層包含128個神經元，其計算過程為：

O1=ReLU(w1●x+b1)；

其中x是多層神經網絡模型的輸入，來自于訓練數據集TR；w1是權值矩陣，b1是偏置；O1是128維的向量；

多層神經網絡模型的第2個隱藏層包含64個神經元，其計算過程為：

O2=ReLU(w2●O1+b2)；

其中O1是第1個隱藏層的輸出向量，w2是權值矩陣，b2是偏置；O2是64維的向量；

多層神經網絡模型的輸出層，計算過程為：

y=sigmoid(w3●O2+b3)；

其中O2是第2個隱藏層的輸出向量，w3是權值矩陣，b3是偏置；y是單個概率輸出值；

利用訓練數據集TR，基于傳統的BP算法訓練多層神經網絡模型，得到機電設備健康狀態神經網絡預測模型；

S5、實時采集機電設備的工況參數數據，輸入訓練好的機電設備健康狀態預測模型，對機電設備健康狀態進行預測判斷，具體規則如下：

利用步驟S2中的不同間隔跨度抽樣的方法，從采集的工況數據集DN中抽取相應的子集DN0，DN1，DN2，...，DNm；

利用訓練好的m個多層神經網絡模型，分別對輸入數據DN0，DN1，DN2，...，DNm進行預測；

對預測結果進行多數表決，作為最終的機電設備健康狀態預測結果。