[發明專利]一種基于LSTM的載人潛水器傳感器故障數據增強方法

在審

• 申請號: 202310215171.5
• 申請日: 2023-03-08
• 公開（公告）號: CN116186609A
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 王洪君;張笑晗;趙朋輝;趙元琪;程野
• 申請（專利權）人: 山東大學
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/214;G06F18/2433;G06N3/045;G06N3/0475;G06N3/0442;G06N3/084;G06N3/094
• 代理公司: 北京紅梵知識產權代理事務所(普通合伙) 11912
• 代理人: 吳珊

1.一種基于LSTM的載人潛水器傳感器故障數據增強方法，所述數據增強方法使用深度學習網絡，訓練相似領域故障數據的深度學習模型，提取相應故障數據特征，最后用數據增強訓練好的網絡訓練實際深海載人潛水器故障數據，以達到數據增強目的，具體步驟如下：

步驟1，收集其他領域的故障數據F^s；

步驟2，將F^s通過N₁網絡映射到隱空間latent；

步驟3，將隱空間數據通過N₂映射成原始數據類型F^s’；

步驟4，根據前向傳播的loss值的大小，來進行反向傳播迭代更新每一層的權重；

步驟5，將高斯白噪聲同樣通過N₁網絡映射到隱空間latent；

步驟6，與標準GAN過程類似，將F^s通過N₁網絡映射到隱空間latent壓縮后值同將高斯白噪聲同樣通過N₁網絡映射到隱空間latent壓縮后值輸入到判別器D，同時反向傳播迭代更新每一層的權重；

步驟7，訓練好的網絡N₁、N₂，使用真實的小樣本故障數據F^T及真實的正常數據N^T分別輸入到N₁網絡中，得到隱藏層數據；

步驟8，在隱藏層數據中分別對正常數據和故障數據加判別器D₁，使用損失函數對其進行反饋；

步驟9，將數據分別輸入到N₂網絡中，映射成原始數據；

步驟10，將步驟8數據輸入到判別器D₂中，使用損失函數對其進行反饋。

2.根據權利要求1所述的一種基于LSTM的載人潛水器傳感器故障數據增強方法，其特征在于：所述步驟1中數據集包括網絡攻擊、機械故障傳感器類型故障數據集，將數據集轉化為csv格式作為該模型的輸入。

3.根據權利要求1所述的一種基于LSTM的載人潛水器傳感器故障數據增強方法，其特征在于：所述N₁、N₂網絡模型使用LSTM網絡進行編解碼專門處理時序網絡獲得準確數據。

4.根據權利要求3所述的一種基于LSTM的載人潛水器傳感器故障數據增強方法，其特征在于：所述LSTM網絡在現有基礎上進行改進，深海載人潛水器數據作為一維數據可以直接輸入到LSTM層，利用LSTM層對數據進行分類；

所述LSTM層，通過遺忘門、輸入門、輸出門的選擇進一步提取出時間序列特征，最后通過Softmax層分類輸出信號；

模型的損失函數采用交叉熵損失函數，梯度下降采用Adam優化器。

5.根據權利要求1所述的一種基于LSTM的載人潛水器傳感器故障數據增強方法，其特征在于：所述載人潛水器的傳感器包括電機和各個操縱舵系統的傳感器，

所述傳感器的故障數據系統包括用于采集載人潛水器的傳感器參數數據、電機數據和操縱舵數據的輸入單元；

用于特征提取傳感器參數數據的提取單元；

用于處理載人潛水器的傳感器參數數據、電機數據和操縱舵數據的處理單元；

用于給出預估目標參數的預估單元；

用于對比預估目標參數和實際目標參數判斷潛水器故障的判斷單元。

6.根據權利要求1所述的一種基于LSTM的載人潛水器傳感器故障數據增強方法，其特征在于：所述數據增強訓練好的網絡應用于傳感器的故障數據系統時具體包括如下步驟：

步驟a，所述載人潛水器的電機和各個操縱舵系統的傳感器獲取深海載人潛水器的狀態數據；

步驟b，所述傳感器系統的傳感器參數數據、電機數據和操縱舵數據的輸入單元將獲取到的深海傳感器的狀態數據輸入深度學習模型；

步驟c，所述特征提取傳感器參數數據的提取單元對數據進行特征提取，并對目標參數進行預估，配合給出預估目標參數的預估單元得到目標參數預估值；

步驟d，深度學習模型配合用于對比預估目標參數和實際目標參數判斷潛水器故障的判斷單元根據輸入的狀態數據和目標參數預估值，輸出是否存在故障的深海傳感器，若存在故障的深海傳感器，則輸出存在有故障的深海傳感器的信息。