【技术实现步骤摘要】
本专利技术涉及缺陷识别检测，具体涉及基于深度神经网络的运维数据分析优化系统及方法。
技术介绍
1、在工业设备的运维管理过程中，获取的大量数据包括设备的传感器数据、日志数据以及历史维护记录等，数据中存在大量高维数据，由于高维数据的存在对于模型的训练带来了麻烦，尤其是在高纬数据的特征稀疏性方面；特征稀疏性是指在众多特征中，只有少部分特征与设备故障、运行效率等关键因素相关，而其余特征可能对模型的预测并没有直接贡献，甚至可能是无关的。
2、相关技术的运维数据分析中，常规机器学习方法往往无法处理稀疏的高维数据，容易导致模型过拟合或欠拟合，从而影响故障预测的精度，并且，设备在其生命周期内，随着使用年限的增加、运行条件的变化以及技术的更新，往往会出现数据漂移；设备的运行模式、故障模式以及性能参数在不同生命周期阶段存在变化，这种变化使得历史数据与当前数据之间的分布存在显著差异，形成数据漂移；数据漂移导致基于历史数据训练的模型无法适应设备当前的状态，尤其是在长期运行后的设备，其性能和故障模式可能与初期阶段大不相同。
3、因此，亟需提出基于深度神经网络的运维数据分析优化系统及方法。
技术实现思路
1、本专利技术提供基于深度神经网络的运维数据分析优化系统及方法，旨在解决相关技术中高维数据中的特征稀疏性和设备生命周期中的数据漂移问题。
2、为了实现上述目的，本专利技术中，提供基于深度神经网络的运维数据分析优化方法，包括以下步骤：
3、获取设备的第一数据与第二
4、根据预处理后的第一数据与第二数据构建高纬稀疏矩阵，并采用低秩矩阵对高纬稀疏矩阵进行分解，根据低秩矩阵分解提取出第一数据与第二数据中潜在的低维特征，对潜在的低维特征进行加权融合，根据加权融合形成综合特征向量。
5、引入设备生命周期阶段识别机制，构建故障预测模型，并根据综合特征向量对故障预测模型进行训练，获得训练后的故障预测模型。
6、引入多阶段迁移学习机制，对训练后的故障预测模型进行知识迁移，获得知识迁移后的故障预测模型。
7、采用增量学习算法对知识迁移后的故障预测模型进行更新，获得更新后的故障预测模型。
8、将设备生命周期阶段特征、预处理后的第一数据与第二数据作为动态更新后的故障预测模型的输入数据，故障预测模型根据输入数据输出预测结果。
9、作为本专利技术优选的方案，获取设备的第一数据与第二数据，将第一数据与第二数据进行预处理，获得预处理后第一数据与第二数据，具体包括：
10、第一数据为设备的历史运行数据，包括历史状态下的设备运行时长、运行状态、运行指标、故障类型、故障时间、传感器数据及环境数据。
11、第二数据为设备的实时传感器数据，包括实时运行状态下的环境数据、电流数据、电压数据及开启状态数据。
12、预处理包括去噪、缺失值填补及标准化，采用滑动平均法对第一数据及第二数据去噪，采用k近邻填充方法对第一数据及第二数据进行缺失值填补，采用z-score标准化对第一数据及第二数据进行标准化处理；根据去噪、缺失值填补及标准化获得预处理后的第一数据及第二数据。
13、作为本专利技术优选的方案，根据预处理后的第一数据与第二数据构建高纬稀疏矩阵，并采用低秩矩阵对高纬稀疏矩阵进行分解，根据低秩矩阵分解提取出第一数据与第二数据中潜在的低维特征，具体包括：
14、将第一数据与第二数据按照时间排序对齐，并将按照时间排序对齐后的第一数据与第二数据拼接成一个高维稀疏矩阵，高维稀疏矩阵表示为：
15、;
16、式中，表示高维稀疏矩阵，表示设备运行状态的数量，表示特征维度。
17、通过交叉验证选定低维秩，并采用svd对高维稀疏矩阵进行分解，具体为：
18、;
19、式中，为高维稀疏矩阵，表示矩阵的转置，为的矩阵，用于表示设备状态的潜在特征；为的矩阵，用于表示传感器数据与设备状态之间的关系；和代表了高维稀疏矩阵的低维特征，的矩阵中，表示设备运行状态的数量，表示通过交叉验证确定的低维秩；的矩阵中，表示特征维度，表示通过交叉验证确定的低维秩；与的相对数值关系为。
20、根据设备生命周期阶段和特征重要性评估，为每个低维特征分配初步权重，初步权重基于低维特征与目标变量的相关性进行设定，使用交叉验证调整初步权重，将调整后的低维特征通过加权求和的方式进行融合，生成综合特征向量。
21、作为本专利技术优选的方案，根据设备生命周期阶段和特征重要性评估，为每个低维特征分配初步权重，初步权重基于低维特征与目标变量的相关性进行设定，使用交叉验证调整初步权重，将调整后的低维特征通过加权求和的方式进行融合，生成综合特征向量，其公式为：
22、;
23、式中，是第个低维特征，是第个低维特征的权重，根据设备生命周期阶段和特征重要性评估确定，并根据交叉验证动态调整；是低维特征的总数。
24、作为本专利技术优选的方案，引入设备生命周期阶段识别机制，构建故障预测模型，并根据综合特征向量对故障预测模型进行训练，获得训练后的故障预测模型，具体包括：
25、根据设备的第一数据，使用lstm进行建模，根据lstm模型检测设备的状态变化趋势，根据检测得出的状态变化趋势推测得出设备的生命周期阶段。
26、根据处于不同生命周期阶段中的第一数据训练决策树模型，并根据训练后的决策树模型识别设备当前的生命周期阶段，基于识别获得设备当前的生命周期阶段。
27、采用深度神经网络构建故障预测模型，将设备的第一数据与第二数据作为输入层特征，并将设备当前的生命周期阶段作为额外的输入层特征；并使用多层深度神经网络的结构，通过隐藏层学习输入特征之间的非线性关系；将设备的故障预测结果作为输出层；获得初步的故障预测模型。
28、对初步的故障预测模型进行训练，将综合特征向量作为训练数据的输入，并将设备的故障记录作为目标变量；根据任务类型，定义对应的损失函数；采用梯度下降对初步的故障预测模型进行训练；基于训练流程获得训练后的故障预测模型。
29、作为本专利技术优选的方案，引入多阶段迁移学习机制，对训练后的故障预测模型进行知识迁移，获得知识迁移后的故障预测模型，具体包括：
30、提取初步的故障预测模型中的初步特征表示，基于设备在不同生命周期阶段的第一数据，通过迁移学习方法对处于不同阶段的第一数据与第二数据进行共享学习，并根据迁移学习中的特征提取机制，将初步的故障预测模型在第二数据的预训练权重和特征表示作为源任务进行迁移。
31、通过领域适应将设备当前生命周期阶段的数据映射至处于训练阶段的故障预测模型中，并将处于训练阶段中的故障预测模型的权重和偏差值根据第二数据进行调整；
32、基于深度神经网络的多任务学习，对故障预测与生命周期阶段识别的进行知识迁移，获得本文档来自技高网...
【技术保护点】
1.基于深度神经网络的运维数据分析优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于深度神经网络的运维数据分析优化方法，其特征在于，获取设备的第一数据与第二数据，将第一数据与第二数据进行预处理，获得预处理后第一数据与第二数据，具体包括：
3.如权利要求1所述的基于深度神经网络的运维数据分析优化方法，其特征在于，根据预处理后的第一数据与第二数据构建高纬稀疏矩阵，并采用低秩矩阵对高纬稀疏矩阵进行分解，根据低秩矩阵分解提取出第一数据与第二数据中潜在的低维特征，具体包括：
4.如权利要求3所述的基于深度神经网络的运维数据分析优化方法，其特征在于，根据设备生命周期阶段和特征重要性评估，为每个低维特征分配初步权重，初步权重基于低维特征与目标变量的相关性进行设定，使用交叉验证调整初步权重，将调整后的低维特征通过加权求和的方式进行融合，生成综合特征向量，其公式为：
5.如权利要求1所述的基于深度神经网络的运维数据分析优化方法，其特征在于，引入设备生命周期阶段识别机制构建故障预测模型，并根据综合特征向量对故障预测模型进行训练，获得训练后
6.如权利要求5所述的基于深度神经网络的运维数据分析优化方法，其特征在于，引入多阶段迁移学习机制，对训练后的故障预测模型进行知识迁移，获得知识迁移后的故障预测模型，具体包括：
7.如权利要求1所述的基于深度神经网络的运维数据分析优化方法，其特征在于，采用增量学习算法对知识迁移后的故障预测模型进行更新，获得更新后的故障预测模型，具体包括：
8.如权利要求1所述的基于深度神经网络的运维数据分析优化方法，其特征在于，将设备生命周期阶段特征、预处理后的第一数据与第二数据作为动态更新后的故障预测模型的输入数据，故障预测模型根据输入数据输出预测结果，预测结果包括：故障类型、故障发生时间、故障风险、严重程度、健康状态及设备生命周期阶段。
9.基于深度神经网络的运维数据分析优化系统，所述系统应用上述权利要求1-8任意一项所述的基于深度神经网络的运维数据分析优化方法，其特征在于，包括以下单元：
...【技术特征摘要】
1.基于深度神经网络的运维数据分析优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于深度神经网络的运维数据分析优化方法，其特征在于，获取设备的第一数据与第二数据，将第一数据与第二数据进行预处理，获得预处理后第一数据与第二数据，具体包括：
3.如权利要求1所述的基于深度神经网络的运维数据分析优化方法，其特征在于，根据预处理后的第一数据与第二数据构建高纬稀疏矩阵，并采用低秩矩阵对高纬稀疏矩阵进行分解，根据低秩矩阵分解提取出第一数据与第二数据中潜在的低维特征，具体包括：
4.如权利要求3所述的基于深度神经网络的运维数据分析优化方法，其特征在于，根据设备生命周期阶段和特征重要性评估，为每个低维特征分配初步权重，初步权重基于低维特征与目标变量的相关性进行设定，使用交叉验证调整初步权重，将调整后的低维特征通过加权求和的方式进行融合，生成综合特征向量，其公式为：
5.如权利要求1所述的基于深度神经网络的运维数据分析优化方法，其特征在于，引入设备生命周期阶段识别机制构建...
【专利技术属性】
技术研发人员：宗西龙，杨玉柱，帅宗林，王宝强，
申请(专利权)人：陕西瑞亚智能技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。