[发明专利]一种基于递归融合编码器的装备状态表征提取方法

说明书

本发明公开了一种基于递归融合编码器的装备状态表征提取方法，具体步骤如下：步骤一、监测参数时序化处理；步骤二、RFA模型配置；步骤三、RFA模型无监督训练；步骤四、鲁棒状态表征提取。本发明基于深度递归编码‑解码架构，提出了一种序贯融合层，以直观、简便的方式缓解了现有方法的梯度消失问题，对数据中的噪声、非平稳组分等干扰更为鲁棒，实现从时间、特征两个维度对装备多维状态监控数据进行完备的状态表征提取。本发明提出的状态表征提取方法，可不依赖故障数据，具有良好的自适应性与可扩展性，在普遍缺乏装备故障数据的实际场景中具有较高的应用价值。

技术领域

本发明涉及装备状态表征提取领域，尤其涉及一种基于递归融合编码器的装备状态表征提取方法。

背景技术

由于运行环境严酷、技术组成复杂等问题，对装备进行有效的实时状态监控乃至评估预警，在实际工程中意义重大。随着传感器与数据存储技术的不断发展，现有装备的状态监测参数种类以及使用过程中存储的数据量不断增加。这些海量的多维状态监测数据更充分地反映了装备的实时状态，但也不可避免地包含了冗余组分、采集噪声等干扰。因此，通过有效的技术手段提取能准确表征装备真实状态且对数据干扰鲁棒的表征，是实现装备有效状态监控、评估乃至预警的关键。目前，装备状态表征提取主要有两类方法：基于统计、基于神经网络。

基于统计的方法一般采用矩阵分解技术对高维数据中的有效成分进行融合，典型的方法有主成分分析(PCA)、核PCA和独立分量分析(ICA)，由于计算相对简单、机理清晰，这类方法在相关领域得到了广泛应用。然而，此类方法的普遍问题在于都需要对输入数据进行不同的理想化假设，如高斯分布、线性相关、变量独立等，这限制了它们在复杂数据条件下的应用性能。相较而言，基于神经网络的方法凭借其强大的特征挖掘能力，能够在不需要过多数据假设的情况下，从多元输入CM数据中充分提取其状态表征，因而受到越来越多的关注。其中，基于全连接层和编码-解码架构的堆叠式自动编码器(SAE)是最典型的一种。然而，对于实际的装备状态监测数据而言，不仅是数据变量间的分布特征，数据局部时段间的时序特征也包含了潜在的状态相关信息。然而，现有的主流自动编码器因其非递归架构的限制，无法很好地处理第二类时序特征提取问题。针对这一局限性，近年来，一些学者试图用递归单元(如长短期记忆单元LSTM)代替传统的全连接层，开发了一类新的递归自动编码器(RA)。理论上，由于引入递归架构，RA具有描述时间特征进而实现更完备状态表征提取的能力。然而，在实际应用中，由于RA架构普遍存在梯度消失问题，导致其往往无法达到预期的状态表征提取性能。

针对真实条件下存在数据干扰的多维状态监控数据，为了自适应地挖掘装备的鲁棒本征状态特性，亟需提出一种新的装备状态表征提取方法。

发明内容

鉴于上述问题，本申请旨在提出一种基于递归融合编码器(recurrent fusionautoencoder,RFA)的装备状态表征提取方法，可在噪声干扰的多维真实数据条件下，从特征、时间两个维度实现对装备本征状态的鲁棒、完备表征提取。

本申请提出的一种基于递归融合编码器的装备状态表征提取方法，其包含如下核心步骤：

第一步：监测参数时序化预处理。

第二步：RFA模型配置。

第三步：RFA模型无监督训练。

第四步：鲁棒状态表征提取。

优选地，在第一步中，对于每个能反映装备状态的多维参数数据样本，首先利用一定长度的滑窗对其进行切割，得到L个局部参数序列矩阵，其中L为需要配置的滑窗切分个数；接着，对各局部参数序列矩阵进行特征预提取，得到L个预提取特征向量；进一步对L个预处理特征向量进行标准化处理，得到L个标准化特征向量。