基于多尺度时空记忆共享网络的缺失监测数据填补方法技术

本发明专利技术提供了一种基于多尺度时空记忆共享网络的缺失监测数据填补方法，针对性的采用了多尺度时空记忆共享网络来实现对监测数据的预测和填补，多尺度时空记忆共享网络通过预先训练记录了大型旋转机组在不同工作工况状态下的历史监测数据中在不同时间尺度的监测数据所对应的数据特征，在进行数据填补时，首先对测试监测数据进行时间尺度信息及其相对应的数据特征的提取，然后从历史监测数据中查询出具有相匹配数据特征的时间尺度所对应的监测数据原型，并据此预测出测试监测数据之后的监测数据预测值，由于历史监测数据的真实性与正确性较容易把控和保证，因此避免了异常预测数据的产生，从而更好的保证了数据填补的准确性。确性。确性。

【技术实现步骤摘要】
基于多尺度时空记忆共享网络的缺失监测数据填补方法


[0001]本专利技术涉及工程应用和大数据采集及检测
，具体涉及一种基于多尺度时空记忆共享网络的缺失监测数据填补方法。

技术介绍

[0002]数据采集与监控系统可以实现对大型旋转机组进行远程实时监测、控制和诊断，保障着大型旋转机组的健康运行。数据采集与监控系统通过部署在各部件上的传感器采集和存储数据，但其往往受到如传感器失效、网络阻塞等不可控因素的影响，导致数据的缺失。数据的缺失对于一些需要时序数据的风机状态监测、故障诊断等方法有很大影响。因此需要设计一种应对大型旋转机组的监测数据缺失的解决方案。
[0003]监测数据具有多维性的特点，基于统计学和机器学习的缺失值填补方法具有各自的局限性。基于统计学利用平均数、众数、中位数等方法的数据修复方法只关注了单一维度上的变化，忽略了多个维度之间的相互关系；而如果仅依靠简单的机器学习模型也很难挖掘出多维、大量数据中隐藏的正确信息，从而无法很好的确保对缺失数据进行修复填补的准确性。
[0004]现有技术中，也有研究者针对缺失数据修复进行了相关的研究。Yifeng Zhang等人提出一种基于GRU和注意力机制的数据修补算法；Dong Li等人采用LSTM和AE结构对缺失数据进行填补；Abdulrahman H.Ba
‑
Alawi等人采用深度变分残差自编码网络可以准确填补缺失数据。
[0005]由于大型旋转机组的SCADA系统(Supervisory Control And Data Acquisition，即数据采集与检测系统)监测数据往往具有较强的时序性，因此其历史监测数据状态对当前监测数据状态具有比较直接的关联性影响，可以考虑借助历史监测数据的关联性指引来对当前监测数据进行预测修复，实现对缺失监测数据的填补。然而，如果采用上述现有技术的缺失数据填补方案中使用的循环神经网络在层与层之间传递历史信息，在传递过程中会出现部分信息遗忘的情况，从而难以很好的建立不同监测数据状态之间的直接关联；更为重要的是，上述现有技术中使用的神经网络模型也并未建立针对性的数据特征范围记忆功能，从而容易在进行数据恢复填补时缺少对数据特征是否处于正常范围的识别能力，可能会产生填补出异常数据的问题。这些因素，都影响了对缺失数据的填补修复准确性。

技术实现思路

[0006]针对上述现有技术的不足，本专利技术的目的在于提供一种基于多尺度时空记忆共享网络的缺失监测数据填补方法，用以更准确的对大型旋转机组的缺失监测数据进行修复填补，以解决现有技术针对大型旋转机组的缺失监测数据填补修复准确性不足的问题。
[0007]为解决上述技术问题，本专利技术采用了如下的技术方案：
[0008]基于多尺度时空记忆共享网络的缺失监测数据填补方法，包括如下步骤：
[0009]S1、获取大型旋转机组的缺失监测数据前一段时间尺度范围的监测数据，作为测
试监测数据；
[0010]S2、将所述测试监测数据输入多尺度时空记忆共享网络；所述多尺度时空记忆共享网络通过预先训练记录了大型旋转机组在不同工作工况状态下的历史监测数据中在不同时间尺度的监测数据所对应的数据特征；
[0011]S3、所述多尺度时空记忆共享网络提取所述测试监测数据的时间尺度信息及其相对应的数据特征，与历史监测数据进行时间尺度和数据特征匹配，并根据历史监测数据中数据特征相匹配的时间尺度所对应的监测数据，预测出所述测试监测数据之后的监测数据预测值，对缺失监测数据进行填补。
[0012]上述基于多尺度时空记忆共享网络的缺失监测数据填补方法中，作为优选方案，步骤S1具体包括：
[0013]S1
‑
1、获取大型旋转机组的缺失监测数据前一段时间尺度范围的原始监测数据；
[0014]S1
‑
2、对所述原始监测数据进行去量纲归一化处理；
[0015]S1
‑
3、将去量纲归一化处理后的监测数据作为测试监测数据。
[0016]上述基于多尺度时空记忆共享网络的缺失监测数据填补方法中，作为优选方案，所述去量纲归一化处理的计算公式为：
[0017][0018]其中：
[0019][0020][0021]式中，x
org,i
为去量纲归一化前原始监测数据中的第i个采样时刻的数据，x
i
为去量纲归一化后的测试监测数据中的第i个采样时刻的数据，为原始监测数据中各数据的数值平均值，n为原始监测数据中包含的数据总个数；s为去量纲归一化基数。
[0022]上述基于多尺度时空记忆共享网络的缺失监测数据填补方法中，作为优选方案，所述多尺度时空记忆共享网络包括特征编码层、记忆共享层和特征解码层；
[0023]所述特征编码层用于提取测试监测数据的时间尺度信息及其相对应的数据特征；
[0024]所述记忆共享层通过预先训练记录了大型旋转机组在不同工作工况状态下的历史监测数据中在不同时间尺度的监测数据所对应的数据特征，用于根据测试监测数据的时间尺度信息及对应的数据特征与历史监测数据进行时间尺度和数据特征匹配，得到历史监测数据中相匹配的时间尺度和数据特征；
[0025]所述特征解码层具有通过预先根据大型旋转机组在不同工作工况状态下的历史监测数据与其在不同时间尺度下的数据特征之间的关联关系加以训练所得到的监测数据预测模型，用于根据所述历史监测数据中相匹配的时间尺度和数据特征，预测出所述测试监测数据之后的监测数据预测值。
[0026]上述基于多尺度时空记忆共享网络的缺失监测数据填补方法中，作为优选方案，所述特征编码层包括多个特征编码单元，多个特征编码单元用于分别提取测试监测数据在不同时间尺幅范围的时间尺度信息及其相对应的数据特征。
[0027]上述基于多尺度时空记忆共享网络的缺失监测数据填补方法中，作为优选方案，所述特征编码层的每个特征编码单元在特征解码层中均关联有一个特征解码单元；
[0028]每个特征解码单元用于根据其关联的特征编码单元提取的时间尺度信息及其相对应的数据特征在记忆共享层所匹配到的历史监测数据中的时间尺度和数据特征，预测出所述测试监测数据之后的一个监测数据预测值；
[0029]所述多尺度时空记忆共享网络还包括多尺度动态融合层，所述多尺度动态融合层用于对各个特征编码单元的监测数据预测值进行加权求和运算，得到融合后的监测数据预测值，作为缺失监测数据的填补数据。
[0030]上述基于多尺度时空记忆共享网络的缺失监测数据填补方法中，作为优选方案，每个所述特征编码单元的表达式为：
[0031]f(query,key
i
)＝query
·
key
i
；
[0032][0033][0034]其中，query、key、value分别为测试监测数据x在自注意力机制对应的查询向量、键值对向量、价值向量，且：
[0035]query＝w<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度时空记忆共享网络的缺失监测数据填补方法，其特征在于，包括如下步骤：S1、获取大型旋转机组的缺失监测数据前一段时间尺度范围的监测数据，作为测试监测数据；S2、将所述测试监测数据输入多尺度时空记忆共享网络；所述多尺度时空记忆共享网络通过预先训练记录了大型旋转机组在不同工作工况状态下的历史监测数据中在不同时间尺度的监测数据所对应的数据特征；S3、所述多尺度时空记忆共享网络提取所述测试监测数据的时间尺度信息及其相对应的数据特征，与历史监测数据进行时间尺度和数据特征匹配，并根据历史监测数据中数据特征相匹配的时间尺度所对应的监测数据，预测出所述测试监测数据之后的监测数据预测值，对缺失监测数据进行填补。2.根据权利要求1所述基于多尺度时空记忆共享网络的缺失监测数据填补方法，其特征在于，步骤S1具体包括：S1
‑
1、获取大型旋转机组的缺失监测数据前一段时间尺度范围的原始监测数据；S1
‑
2、对所述原始监测数据进行去量纲归一化处理；S1
‑
3、将去量纲归一化处理后的监测数据作为测试监测数据。3.根据权利要求2所述基于多尺度时空记忆共享网络的缺失监测数据填补方法，其特征在于，所述去量纲归一化处理的计算公式为：其中：其中：式中，x
org,i
为去量纲归一化前原始监测数据中的第i个采样时刻的数据，x
i
为去量纲归一化后的测试监测数据中的第i个采样时刻的数据，为原始监测数据中各数据的数值平均值，n为原始监测数据中包含的数据总个数；s为去量纲归一化基数。4.根据权利要求1所述基于多尺度时空记忆共享网络的缺失监测数据填补方法，其特征在于，所述多尺度时空记忆共享网络包括特征编码层、记忆共享层和特征解码层；所述特征编码层用于提取测试监测数据的时间尺度信息及其相对应的数据特征；所述记忆共享层通过预先训练记录了大型旋转机组在不同工作工况状态下的历史监测数据中在不同时间尺度的监测数据所对应的数据特征，用于根据测试监测数据的时间尺度信息及对应的数据特征与历史监测数据进行时间尺度和数据特征匹配，得到历史监测数据中相匹配的时间尺度和数据特征；所述特征解码层具有通过预先根据大型旋转机组在不同工作工况状态下的历史监测数据与其在不同时间尺度下的数据特征之间的关联关系加以训练所得到的监测数据预测模型，用于根据所述历史监测数据中相匹配的时间尺度和数据特征，预测出所述测试监测
数据之后的监测数据预测值。5.根据权利要求4所述基于多尺度时空记忆共享网络的缺失监测数据填补方法，其特征在于，所述特征编码层包括多个特征编码单元，多个特征编码单元用于分别提取测试监测数据在不同时间尺幅范围的时间尺度信息及其相对应的数据特征。6.根据权利要求5所述基于多尺度时空记忆共享网络的缺失监测数据填补方法，其特征在于，所述特征编码层的每个特征编码单元在特征解码层中均关联有一个特征解码单元；每个特征解码单元用于根据其关联的特征编码单元提取的时间尺度信息及其相对应的数据特征在记忆共享层所匹配到的历史监测数据中的时间尺度和数据特征，预测出所述测试监测数据之后的一个监测数据预测值；所述多尺度时空记忆共享网络还包括多尺度动态融合层，所述多尺度动态融合层用于对各个特征编码单元的监测数据预测值进行加权求和运算，得到融合后的监测数据预测值，作为缺失监测数据的填补数据。7.根据权利要求5所述基于多尺度时空记忆共享网络的缺失监测数据填补方法，其特征在于，每个所述特征编码单元的表达式为：f(query,key
i
)＝query
·
key
i
；；其中，query、key、value分别为测试监测数据x在自注意力机制对应...

【专利技术属性】
技术研发人员：汤宝平，丁彦楠，谭智勇，余晓霞，李琪康，
申请(专利权)人：重庆大学，
类型：发明
国别省市：