[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

本發明公開了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，涉及數據處理技術領域。該基于多尺度抽樣的機電設備狀態數據補全與預測方法，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。該基于多尺度抽樣的機電設備狀態數據補全與預測方法，采用多尺度抽樣的思想，從數據集中提取多個時間序列，從而從不同時間尺度進行特征學習，通過表決打分的策略，提升預測精度和穩定性，同時采用生成式對抗網絡，對數據集進行樣本補全，改進了生成式對抗網絡損失函數，提升訓練的穩定性和效率，并且基于表決打分的策略，對補全樣本進行選擇，剔除低質量生成樣本。

技術領域

本發明涉及數據處理技術領域，具體為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。

背景技術

機電設備通常在正常狀態下工作，可以收集到的故障狀態下的樣本數據很少，容易出現數據集不平衡的問題，即正常狀態樣本數據集合DG遠大于故障狀態樣本數據集合DF。故障狀態樣本數據缺乏的導致的數據不平衡的問題嚴重影響設備狀態預測的精度。

傳統擴充樣本數據集的方式是過采樣，但過采樣只是完全照搬重復利用DF中的少量樣本信息，不能自動學習樣本的數據分布特性。因此，如何對故障狀態的樣本數據進行擴充補全成為亟待解決的問題。

發明內容

（一）解決的技術問題

針對現有技術的不足，本發明提供了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，解決了傳統擴充樣本數據集的方式是過采樣，但過采樣只是完全照搬重復利用DF中的少量樣本信息，不能自動學習樣本的數據分布特性，難以很好的對故障狀態的樣本數據進行擴充補全的問題。

（二）技術方案

為實現以上目的，本發明通過以下技術方案予以實現：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，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：