多维时间序列数据诊断与补全方法、装置、系统与介质制造方法及图纸

本发明专利技术涉及工业生产异常数据诊断技术领域，公开了一种多维时间序列数据诊断与补全方法、装置、系统与介质，方法包括收集传感器时间序列数据，构建神经网络模型，定义神经网络模型的损失函数并进行训练，将实际生产中得到的多维时间序列数据输入到完成训练的神经网络模型，得到重构多维时间序列数据；计算观测误差并更新掩码矩阵，重新训练神经网络模型；直到无法发现新的异常值或达到特定循环次数，实现了缺失补全。在重建的过程中，小波逆变换递归合成原始时间序列，细微异常的重建误差将被累积和放大，进而帮助发现数据的异常部分；在重构中能够同时补全自身缺失以及因为数据异常而剔除的缺失部分。

【技术实现步骤摘要】

本专利技术涉及工业生产异常数据诊断，具体涉及一种多维时间序列数据诊断与补全方法、装置、系统与介质。

技术介绍

1、工业生产中，通过在系统中布设不同类型的传感器，可以得到持续产生的数据流，一般称之为时间序列数据，实际中存在传感器故障或损坏、数据传输中断或丢失、人为操作失误、设备维护、停机维修和环境突变等问题，导致多源时间序列数据中存在随机连续缺失、序列变化异常等现象，如果不加以解决，可能导致后期分析模型训练的鲁棒性下降，使其对输入数据的波动和异常更加敏感，从而影响模型的性能和泛化能力。

2、在异常诊断方面，已有的技术多基于人工给定的异常标签实现异常识别模型构建，但在实际中异常标签难以获取，且获取异常标签的过程会消耗大量的人力物力；在数据补全方面，多采用插值方法，没有考虑数据的长期周期性和不同变量(传感器)之间的相关性。

技术实现思路

1、为解决上述技术问题，本专利技术提出一种多维时间序列数据诊断与补全方法、装置、系统与介质，将小波变换融入网络，不同频段分别重构；引入自相关注意力，评估序列内周期性；引本文档来自技高网...

【技术保护点】

1.一种多维时间序列数据诊断与补全方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的多维时间序列数据诊断与补全方法，其特征在于，所述多小波基函数离散小波变换所采用的小波基函数包括Haar小波、Daubechies小波、Mexican Hat小波、Morlet小波和Meyer小波中的两个以上的小波基函数。

3.根据权利要求1所述的多维时间序列数据诊断与补全方法，其特征在于，步骤二中，所述分别对X中的每个xi进行第一级多小波基函数离散小波变换，得到xi对应的第一级变换低频分量和第一级变换高频分量将分别输入到一维卷积网络和全连接网络，得到第一级融合低频序列和...

【技术特征摘要】

1.一种多维时间序列数据诊断与补全方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的多维时间序列数据诊断与补全方法，其特征在于，所述多小波基函数离散小波变换所采用的小波基函数包括haar小波、daubechies小波、mexican hat小波、morlet小波和meyer小波中的两个以上的小波基函数。

3.根据权利要求1所述的多维时间序列数据诊断与补全方法，其特征在于，步骤二中，所述分别对x中的每个xi进行第一级多小波基函数离散小波变换，得到xi对应的第一级变换低频分量和第一级变换高频分量将分别输入到一维卷积网络和全连接网络，得到第一级融合低频序列和第一级融合高频序列具体包括：

4.根据权利要求1所述的...

【专利技术属性】
技术研发人员：吕文君，李泽瑞，康宇，李鲲，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：