一种基于多尺度抽样的机电设备状态数据补全与预测方法技术

本发明专利技术公开了一种基于多尺度抽样的机电设备状态数据补全与预测方法，涉及数据处理技术领域。该基于多尺度抽样的机电设备状态数据补全与预测方法，包括如下步骤：S1、采用智能传感器采集获取机电设备工作过程中的工况数据，构造工况数据集D。该基于多尺度抽样的机电设备状态数据补全与预测方法，采用多尺度抽样的思想，从数据集中提取多个时间序列，从而从不同时间尺度进行特征学习，通过表决打分的策略，提升预测精度和稳定性，同时采用生成式对抗网络，对数据集进行样本补全，改进了生成式对抗网络损失函数，提升训练的稳定性和效率，并且基于表决打分的策略，对补全样本进行选择，剔除低质量生成样本。

【技术实现步骤摘要】
一种基于多尺度抽样的机电设备状态数据补全与预测方法
本专利技术涉及数据处理
，具体为一种基于多尺度抽样的机电设备状态数据补全与预测方法。
技术介绍
机电设备通常在正常状态下工作，可以收集到的故障状态下的样本数据很少，容易出现数据集不平衡的问题，即正常状态样本数据集合DG远大于故障状态样本数据集合DF。故障状态样本数据缺乏的导致的数据不平衡的问题严重影响设备状态预测的精度。传统扩充样本数据集的方式是过采样，但过采样只是完全照搬重复利用DF中的少量样本信息，不能自动学习样本的数据分布特性。因此，如何对故障状态的样本数据进行扩充补全成为亟待解决的问题。
技术实现思路
（一）解决的技术问题针对现有技术的不足，本专利技术提供了一种基于多尺度抽样的机电设备状态数据补全与预测方法，解决了传统扩充样本数据集的方式是过采样，但过采样只是完全照搬重复利用DF中的少量样本信息，不能自动学习样本的数据分布特性，难以很好的对故障状态的样本数据进行扩充补全的问题。（二）技术方案为实现以上目的，本专利技术通过以下技术本文档来自技高网...

【技术保护点】
1.一种基于多尺度抽样的机电设备状态数据补全与预测方法，其特征在于：包括如下步骤：/nS1、采用智能传感器采集获取机电设备工作过程中的工况数据，构造工况数据集D，D中的故障样本数据集记为DF，D中的正常样本数据集记为DG；/nS2、利用不同间隔跨度抽样的方法，从故障样本数据集DF抽取相应的子集，作为故障样本扩充数据集；其具体操作如下：/n对于故障样本数据集DF={Z(t=1),Z(t=2),…,Z(t=n)}，可以按照2的m次方提取故障样本数据集DF的子集DFm，作为故障样本扩充数据集，其中/nDF0=DF={Z(t=1),Z(t=2),…,Z(t=n)}/nDF1={Z(t=2),Z(t=4...

【技术特征摘要】
1.一种基于多尺度抽样的机电设备状态数据补全与预测方法，其特征在于：包括如下步骤：
S1、采用智能传感器采集获取机电设备工作过程中的工况数据，构造工况数据集D，D中的故障样本数据集记为DF，D中的正常样本数据集记为DG；
S2、利用不同间隔跨度抽样的方法，从故障样本数据集DF抽取相应的子集，作为故障样本扩充数据集；其具体操作如下：
对于故障样本数据集DF={Z(t=1),Z(t=2),…,Z(t=n)}，可以按照2的m次方提取故障样本数据集DF的子集DFm，作为故障样本扩充数据集，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、对各个故障样本扩充数据集，建立相应的生成式对抗网络模型，并进行样本补全，获得故障样本扩充补全数据集，其具体操作如下：
S31、构造生成式对抗网络模型，其中包括构造生成器网络、构造判别器网络和构造损失函数，具体操作如下：
S311、构造生成器网络：
生成器网络由2个隐藏层和一个输出层组成。
生成器网络的第1个隐藏层包含128个神经元，其计算过程为：
O1=ReLU(w1●x+b1)；
其中x是生成器网络的输入；w1是权值矩阵，b1是偏置；O1是128维的输出向量；
生成器网络的第2个隐藏层包含64个神经元，其计算过程为：
O2=ReLU(w2●O1+b2)；
其中O1是第1个隐藏层的输出向量，w2是权值矩阵，b2是偏置；O2是64维的输出向量；
生成器网络的输出层，计算过程为：
y=ReLU(w3●O2+b3)；
其中O2是第2个隐藏层的输出向量，w3是权值矩阵，b3是偏置；y是维度和x相同的输出向量；
S312、构造判别器网络：
判别器网络由2个隐藏层和一个输出层组成；
判别器网络的第1个隐藏层包含128个神经元，其计算过程为：
O1=ReLU(w1●x+b1)；
其中x是判别器网络的输入；w1是权值矩阵，b1是偏置；O1是128维的向量；
判别器网络的第2个隐藏层包含64个神经元，其计算过程为：
O2=ReLU(w2●O1+b2)；
其中O1是第1个隐藏层的输出向量，w2是权值矩阵，b2是偏置；O2是64维的向量；
判别器网络的输出层，计算过程为：
y=sigmoid(w3●O2+b3)；
其中O2是第2个隐藏层的输出向量，w3是权值矩阵，b3是偏置；y是单个概率输出值。
S313、构造损失函数：
首先，利用真实故障数据样本数据块，计算判别器网络的输出均值；
其中，x是真实故障数据样本，E是均值，D是判别器网络；
判别器网络对于判定为真实故障样本的样本输出为1；
判别器网络对于判定为假故障样本的样本输出为0；
所以该均值越大证明判别器网络越有效；
利用生成器生成的假故障数据样本数据块，计算判别器网络的输出均值；
其中，z为生成的假故障数据样本，z=G(seed),G是生成器网络，seed是从均值分布中随机抽样得到假故障数据样本种子。D是判别器网络；
判别器网络对于判定为真实故障样本的样本输出为1；
判别器网络对于判定为假故障样本的样本输出为0；
所以该均值越小证明判别器网络越有效；而该均值越大证明生成器网络越有效；
构造正则项H，用于抑制生成式对抗网络模型训练过程中梯度消失现象。
H=γ*；
其中，对任意生成的假故障数据样本z，xclosest是和z欧式距离最近的真实故障数据样本；
其中，D是判别器网络；
其中，γ是正则化常数，设置为10；
构造判别器网络损失函数LD；
LD=-+H；
其中，x是真实故障数据样本，E是均值，D是判别器网络。z为生成的假故障数据样本，z=G(seed),G是生成器网络，seed是从均值分布中随机抽样得到假故障数据样本种子；H是正则项。
构造生成器网络损失函数LG；
LG=-；
其中，z为生成的假故障数据样本，z=G(seed),G是生成器网络，seed是从均值分布中随机抽样得到假故障数据样本种子。D是判别器网络。E是均值；
S32、训练生成式对抗网络模型，其中包括如下步骤：
S321、从均值分布中随机抽样得到K个假故障数据样本种子，利用生成器网络生成的K个...

【专利技术属性】
技术研发人员：莫毓昌，
申请(专利权)人：莫毓昌，
类型：发明
国别省市：浙江;33