[发明专利]一种工业系统中缺失的时序数据的填充方法

说明书

本发明公开了一种工业系统中缺失的时序数据的填充方法，包括步骤一：数据预处理；步骤二：针对缺失的多元时序数据，以边界平衡生成对抗网络BEGAN模型为基础，构建生成对抗网络模型BiGRU‑BEGAN；步骤三：训练BiGRU‑BEGAN网络模型；步骤四：用训练好的BiGRU‑BEGAN模型生成完整的人工数据并填充原始缺失数据。本发明通过生成对抗网络与双向循环神经网络结合的模型，最大化利用真实存在的数据信息，生成符合原始缺失数据特征分布规律的完整人工数据，再将缺失数据填充完整。利用填充好的完整数据进行后续的故障分类任务，增加缺失数据的分类准确率。

技术领域

本发明属于缺失数据填补领域，涉及一种工业系统中缺失的时序数据的填充方法，特别是基于生成对抗网络和双向循环神经网络的算法。

背景技术

在复杂的大型工业系统中，系统装置失效和各类故障工况是无法完全避免的。在运行过程中，需要通过观察仪表参数对运行状态进行监测，判断各类瞬态工况。有效的系统故障诊断技术，能够帮助操作员实时地掌握运行工况，及时发现仪器故障，做出有效应对，从而提高系统运行的安全性。

在工业系统历史数据的提取过程中，部分测量仪器获取的数据存在缺失的情况，对后续的故障诊断任务可能会有影响。尤其是缺失时间较长，缺失的数据量较多时，会带来较大的诊断误差。因此，在进行故障诊断之前，建立一个针对多元时序缺失数据的填充模型是很有必要的。基于国内外的研究现状，现在已有的缺失值填充方法主要是考虑一些特定的数据缺失类型，并且少有考虑数据的时序信息，而在工业系统中，获取到的通常是数据类型众多的时序数据。因此考虑到在工业系统中监测到的数据的缺失值所产生的复杂影响因素和时序性，对现有的生成对抗网络模型进行了改进，并结合双向循环神经网络，充分利用数据缺失位置的前后信息，建立针对缺失的时序数据的填充模型。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种工业系统中缺失的时序数据的填充方法，解决工业系统故障诊断中多元时序数据的缺失问题。

为解决上述技术问题，本发明的一种工业系统中缺失的时序数据的填充方法，包括以下步骤：

步骤一：数据预处理：获取工业系统历史运行过程中的完整数据作为故障诊断的原始数据集X，X中有n种类型的故障数据，对完整数据进行随机丢失处理，即规定丢失事件发生的可能性概率为p0，则不发生的概率为1-p0；

步骤二：针对缺失的多元时序数据，以边界平衡生成对抗网络BEGAN模型为基础，构建生成对抗网络模型BiGRU-BEGAN，包括判别器D和生成器G，所述判别器D是一个自编码器模型，包括Encoder表示编码器和Decoder表示解码器，所述生成器G采用双向循环神经网络BiGRU，BiGRU网络模型分为前向循环神经网络层和后向循环神经网络层，每一次训练序列向前和向后分别是两个门控循环神经网络，网络中的隐状态均取决于前一时刻的隐状态和输入值，而且这两个神经网络都连接着一个输出层；

步骤三：训练BiGRU-BEGAN网络模型；

步骤四：用训练好的BiGRU-BEGAN模型生成完整的人工数据并填充原始缺失数据：在训练好的模型中输入从原始缺失数据提取的特征向量z|t，生成完整的时序数据，再将生成的数据插补至原始缺失数据的对应缺失位置。

本发明还包括：

1.步骤三所述训练BiGRU-BEGAN网络模型具体为：

S3.1：参数设置：设定训练数据的批次batchsize、迭代次数epoch和超参数学习率α，Loss₁损失函数系数θ，更新的学习率λ以及生成数据的重构损失权值系数k_t；