CN110414442A - 一种压力时序数据分段特征值预测方法 - Google Patents

Abstract

一种压力时序数据分段特征值预测方法，包括步骤：对原始压力时序数据P进行数据预处理，得到初始信号数据序列S；对序列S进行硬阈值强滤波，得到低频段序列Y；对序列Y进行逐点一阶差分或二阶差分，得到差分序列D；以序列D为基础，制定并实施信号叠加策略，同时实施保护策略，得到累计序列G；对序列G再次进行差分操作得到序列F；将上述Y、D、G、F序列作为分段依据进一步对初始信号数据序列S进行分段；将多次分段后得到的同一位置短序列的特征值拼接为构造时序序列，建立动态神经网络模型，进行时序序列预测。本发明通过构造多个分段依据序列实现了数据分段后对应数据特征值的预测，提高了压力时序数据分段预测的效率及精度。

Description

一种压力时序数据分段特征值预测方法

技术领域

本发明属于工业监测时序数据的分段及预测等信号处理相关领域，具体地，涉及一种基于小波差分叠加及动态神经网络的压力时序数据分段特征值预测方法。

背景技术

在机械设备的运行过程中，通常通过基于传感器的在线监测来进行设备的健康诊断，压力数据是常用的监控分析指标。压力时序数据存在的高维及海量的特点，直接在原始数据上进行分析存在极大的困难。目前，主流的解决方法是提取时间序列的各类统计学特征来进行数据压缩和数据分段。同时，分割后的数据段可以和加工中不同物理过程对应，以达到多种分析目的。但因为生产过程的复杂性，压力时序数据常常呈现出非线性、非平稳性、强耦合、突变多等特点，导致压力时序数据分段的稳定性较低。

滑动窗口法是常见的数据分段手法，其核心思想是用若干条直线来拟合代替原始的时间序列。然而其中分割点的选取受限于不同的拟合误差阈值的选取方法，而且滑动窗口法面对较长数据时，需要花费很长时间进行数据近似分段。常用的分段下界算法PAA，在面对振幅波动较大的序列时，往往难以拟合近似线段完成分段。总之，目前主要数据分段方法存在训练时间较长，阈值选取困难等问题。同时这些数据分段手段还需要更进一步地与实际加工场景下的预测分析联系起来。

发明内容

为了解决上述的技术问题，本发明提供了一种压力时序数据分段特征值预测方法，包括以下步骤：

S1，对原始压力时序数据P进行数据预处理，剔除缺失值，利用db3小波进行信号去噪，得到去除环境噪声的初始信号数据序列S；

S2，利用Haar小波对初始信号数据序列S进行硬阈值强滤波，得到低频段的信号波形，作为第一分段依据序列Y；

S3，对第一分段依据序列Y进行逐点一阶差分或二阶差分，得到差分序列，作为第二分段依据序列D；

S4，以序列D为基础，制定并实施差分后的信号叠加策略，累计信号变化趋势，同时实施保护策略，得到累计序列G，并作为第三分段依据序列；

S5，对第三分段依据序列G制定并实施保护策略，对更新后的叠加累计序列再次进行差分操作，得到第四分段依据序列F，再以所得到的第一分段依据序列、第二分段依据序列、第三分段依据序列和第四分段依据序列共四个分段依据序列为基础，制定分段策略，进一步对初始信号数据序列S进行分段；

S6，选择分段后位置为N的数据段做预测分析，将前M次初始信号进行分段后得到的该位置的M个短序列(N(1),N(2),…,N(M))，之后分别提取出M个长度为l特征值，并顺序拼接为构造时序数据作为NARNET输入，训练开环NARNET模型。然后将其切换为闭环NARNET，在设定的误差范围允许内，输出第M+1次分段后同一位置短序列N(M+1)对应的长度为l的预测特征值。

所述步骤S1中，利用db3小波进行信号去噪具体包括：

将有噪声的信号的数据序列模型表示为：

c(x)＝l(x)+ε·n(x)，x＝0,1,…,n-1

式中，c(x)为有噪信号，l(x)为期望信号，n(x)为源噪声信号，ε为噪声强度；

分解尺度设置为10级，选择无偏风险估计阈值(rigrsure)函数确定阈值，过滤掉压力数据采集时高频白噪声，无偏风险估计阈值(rigrsure)函数产生过滤阈值的表达式具体为：

所述步骤S2具体包括：

通过Haar小波进行信号强滤波，分解尺度设置为5级，阈值函数选择硬阈值方法(sqtwolog)，输出低频信号Y，5级阈值设置为：

式中，λ为阈值取值，n为各层分解尺度。

所述步骤S3中对低频段的信号进行逐点差分操作，信号差分序列，作为第二分段依据序列D，公式表达为：

式中，t为某信号点次序，y为Y序列信号值，D为差分值，i为差分阶数，数据差距大表示最大值是最小值30倍以上，数据差距小表示最大值是最小值的1倍至30倍之间。

所述步骤S4中，制定的信号叠加策略具体为：

累计序列即第三分段依据序列G中各点的初始值G(i)设置为0，在第二分段依据序列D中序列点i对应的值视为该点势能值D(i)，为了确定第i+1点的累计信号值G(i+1)，策略主要分为以下几点：

1)当第i+1点的势能D(i+1)和D(i)同号，且D(i+1)和D(i)均不为零时，G(i+1)为i点累计值G(i)和i点势能值D(i)相加；

2)当i+1点势能D(i+1)为零时，G(i+1)即为i点的累计值G(i)，同时将D(i)值赋值给D(i+1)；

3)当i+1点势能D(i+1)不为零，而i点势能D(i)为零时，G(i+1)为i点累计值G(i)和i+1点势能值D(i+1)相加；

4)当D(i+1)和D(i)不满足上述情况时，G(i+1)即为i点的累计值G(i)。

其公式为：

式中，G(·)为累计信号序列G的数据值，D(·)为信号差分序列D的数据值，i为某数据点次序。

所述步骤S4中，对累计序列即第三分段依据序列G制定的保护策略具体为：

1)首先确定保护缓冲阈值d，然后当G(i+1)不改变累加状态时，随步长变化的累计标志k自加一；

2)当G(i+1)改变累加状态时，累计标志k置为0，同时，记录k置为0之前的最大值为K，上一次k置为零时的序列位置为I；

3)最后，当K小于缓冲阈值d时，将I点后K个点的累计序列值都设为第I点的累计序列值G(I)，同时，将最后一个点的势能值设为相反数-D(I+K+1)，其公式为：

式中，d为保护缓冲阈值，k为累计标志，K为某次累计标志最大值，I为某次k零值序列位置。

所述步骤S5中的分段策略，是依据第一分段依据序列Y、第二分段依据序列D、第三分段依据序列G和第四分段依据序列F上反映出的统计学特征作为分段特征值，根据分段要求针对不同曲线分割点筛选符合预设条件的分段特征值，以此制定不同的分段规则，完成分段任务。

所述步骤S6中，建立的动态神经网络模型采用具有动态反馈性的非线性自回归神经网络NARNET，数学模型为

y(t)＝f(y(t-1),y(t-2),...,y(t-n))

目标输出向量y(t)，取决于之前n个点的值；

动态神经网络模型是将前M次初始信号分段后得到的同一位置的M个序列(N(1),N(2),…,N(M))分别提取出的i个长度为l特征值，顺序拼接为时序数据作为NARNET输入，训练开环NARNET模型，之后将其切换为闭环NARNET，在设定的误差范围允许内，输出第M+1次分段后同一位置序列N(M+1)对应的长度为l的预测特征值。

本发明具有以下有益效果：

通过本发明提出的方法在分段过程中，同时获取了四类分段依据序列，每一段序列放大并突出了原始数据的各项特征，降低了分段点选取的难度，同时四个依据序列相互印证分段结果，加强了分段的可靠性。最后，利用动态神经网络对已分段的序列进行训练，并且快速得到预测数据，完成了数据分段多物理过程的预测，提高了数据分析预测的效率。

附图说明

图1是本发明提供的方法分段及预测的流程示意图；

图2是原始压力数据序列P波形图；

图3是去噪后的数据序列S1和序列P的对比图；

图4是强滤波后的数据序列Y1和序列S1的对比图；

图5是Y1差分后的数据序列D1和序列S1的对比图；

图6是D1叠加后的数据序列G1和序列S1的对比图；

图7是G1差分后的数据序列F1和序列S1的对比图；

图8是序列S1分段示意图；

图9是NARNET网络结构示意图；

图10是本次第三数据分段特征值和预测下一次第三数据分段特征值对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如附图1所示，本发明揭示了一种压力时序数据分段特征值预测方法，包括以下步骤：

S1，对原始压力时序数据P进行数据预处理，剔除缺失值，利用db3小波进行信号去噪，得到去除环境噪声的初始信号数据序列S。

具体地，小波去噪过程中，将有噪声的信号的数据序列模型表示为：

c(x)＝l(x)+ε·n(x)，x＝0,1,…,n-1

式中，c(x)为有噪信号，l(x)为期望信号，n(x)为源噪声信号，ε为噪声强度。

进一步地，所述的基于db3小波进行信号去噪步骤中，分解尺度设置为10级。同时因为噪声在小波域对应的系数仍满足高斯白噪分布，选择无偏风险估计阈值(rigrsure)函数，来确定去噪阈值。

所述无偏风险估计阈值(rigrsure)函数产生过滤阈值的表达式具体为：

S2，利用Haar小波对初始信号数据序列S进行硬阈值强滤波，得到低频段的信号波形，作为第一分段依据序列Y。

在硬阈值强滤波过程中，分解尺度设为5级，阈值函数选择硬阈值方法(sqtwolog)，5级阈值设置为：

式中，λ为阈值取值，n为各层分解尺度。

S3，对第一分段依据序列Y进行逐点一阶差分或二阶差分，得到差分序列，作为第二分段依据序列D。

差分方法的步长设置为1，差分阶数由数据差异水平决定，当数据差距大时，采取二阶差分，反之，当数差距小时，采用一阶差分，差分函数如下式所示，

式中，t为某信号点次序，y为Y序列信号值，D为差分值，i为差分阶数，数据差距大表示最大值是最小值30倍以上，数据差距小表示最大值是最小值的1倍至30倍之间。

S4，以第二分段依据序列D为基础，制定并实施差分后的信号叠加策略，累计信号变化趋势，得到累计序列，作为第三分段依据序列G。

制定的信号叠加策略具体为：

累计序列即第三分段依据序列G中各点的初始值G(i)设置为0，在第二分段依据序列D中序列点i对应的值视为该点势能值D(i)，为了确定第i+1点的累计信号值G(i+1)，策略主要分为以下几点：

1)当第i+1点的势能D(i+1)和D(i)同号，且D(i+1)和D(i)均不为零时，G(i+1)为i点累计值G(i)和i点势能值D(i)相加；

2)当i+1点势能D(i+1)为零时，G(i+1)即为i点的累计值G(i)，同时将D(i)值赋值给D(i+1)；

3)当i+1点势能D(i+1)不为零，而i点势能D(i)为零时，G(i+1)为i点累计值G(i)和i+1点势能值D(i+1)相加；

4)当D(i+1)和D(i)不满足上述情况时，G(i+1)即为i点的累计值G(i)。

其公式为：

式中，G(·)为累计信号序列G的数据值，D(·)为信号差分序列D的数据值，i为某数据点次序。

进一步地，在对序列G进行累计的过程中制定并实施保护策略，制定保护段策略的目的是克服信号短时波动，也就是短时间的改变趋势后恢复之前的趋势的情况，该情况会造成累计序列G改变上升或下降趋势，使得分段失败或准确精度下降。

制定的保护策略具体为：

1)首先确定保护缓冲阈值d，然后当G(i+1)不改变累加状态时(满足步骤S4中的公式的前三个条件)，随步长变化的累计标志k自加一；

2)当G(i+1)改变累加状态时(满足步骤S4中的公式的最后一个条件)，累计标志k置为0，同时，记录k置为0之前的最大值为K，上一次k置为零时的序列位置为I；

3)最后，当K小于缓冲阈值d时，将I点后K个点的累计序列值都设为第I点的累计序列值G(I)，同时，将最后一个点的势能值设为相反数-D(I+K+1)，其公式为：

式中，d为保护缓冲阈值，k为累计标志，K为某次累计标志最大值，I为某次k零值序列位置。

S5，对序列G再次进行差分操作，得到第四分段依据序列F，再以所得到的第一分段依据序列、第二分段依据序列、第三分段依据序列和第四分段依据序列共四个分段依据序列为基础，制定分段策略，进一步对初始信号数据序列S进行分段。

所述S5中的分段策略，是依据第一分段依据序列Y、第二分段依据序列D、第三分段依据序列G和第四分段依据序列F上反映出的统计学特征作为分段特征值，根据分段要求针对不同曲线分割点筛选符合预设条件的分段特征值，以此制定不同的分段规则，完成分段任务。

S6，前M次的初始信号数据序列通过分段后得到多个不同位置的分段序列，选择其中需要分析的位置N分段序列，在该同一位置存在M个序列(N(1),N(2),…,N(M))，分别提取出其对应的M个长度为l特征值，顺序拼接为时序数据作为NARNET输入，训练开环NARNET模型，之后将其切换为闭环NARNET，在设定的误差范围允许内，输出第M+1次分段后同一位置序列N(M+1)对应的长度为l的预测特征值。

进一步地，所述的动态神经网络是具有动态反馈性的非线性自回归神经网络NARNET，NARNET的输出结果取决于历史的输出结果和当前的输入，由于存在延时反馈，使得NARNET具有对历史状态信息的记忆功能，可以有效的反馈时间序列的时变特性。NARNET的数学模型如下式所示，目标输出向量y(t)，是取决于之前n个点的值，通过非线性函数f变换得到的。

y(t)＝f(y(t-1),y(t-2),...,y(t-n))

进一步地，所述动态神经网络模型中，开环NARNET，单步预测的方式，每步预测值都与实际数据进行误差校正，输入数据均为真实值，由此提高预测准确度，适合用于模型训练；闭环NARNER，提供多步预测方式，无校正数据，输入数据均来自网络本身预测值，适合用于模型预测。

进一步地，所述动态神经网络模型中，网络训练数据构造过程是先将多次分段后同一位置的短序列分别提取出对应特征值，如时域特征，频域特征，特殊特征等。再将每一个短序列的多个特征值排列为长度为l的特征序列，最后将多个特征序列按时序拼接为构造时序数据，作为NARNET的训练数据，进行开环单步训练。之后进行闭环预测，此时NARNET延迟步数设置为2l-4，隐藏神经元为10，输出长度为l的预测特征序列。

下面通过具体实施例进行进一步说明。对于以下描述中涉及到的S1、Y1、D1、G1、F1等，均是对应以上所述的各个含义，后面加个“1”仅是表面此处具体实施例，以进行区分，并无其他特定含义。

S1，导入一次采集压力时序数据P，采样长度为23370，波形如图2所示。如图3所示，利用db3小波进行信号去噪，得到去噪后的数据序列S1。

S2，如图4所示，利用Haar小波对信号数据序列S1进行硬阈值强滤波，得到低频段信号序列Y1。Y1序列仅保存了低频段信息，使得波形更加圆润，易于提取特征。

S3，对信号Y1进行逐点一阶差分，发现信号差距比较明显，故不进行二阶差分，得到数据序列D1。为了便于观察序列D1放大20倍展示于图5中，序列D1记录了序列S1的逐点瞬时变化趋势，为正值时序列为增，反之为减。

S4，以数据序列D1为基础，实施信号叠加，累计该序列信号变化趋势，同时将保护缓冲阈值d设为8，对累计序列实施保护策略，得到叠加信号序列G1，作为第三分段依据序列。如图6所示，得到的叠加序列G1很好的反应了序列的递增递减情况。同时又自动忽略了多数微小波动。

S5，对序列G1再次进行差分操作，以得到第四分段依据序列F1。如图7所示，得到的F1序列反应G1序列的瞬时变化情况。

S6，以上述四个分段依据序列Y1、D1、G1、F1的数学统计特征为基础，对需求段进行选取，完成分段。

进一步地，在本实施例中，Y1、D1、G1、F1的数学统计特征作为分段点特征在四条分段依据中有明显的体现，故采用直接寻点法，找出各分段点。各统计学特征及以此进行分段的描述如下：由F1序列最大值点对应第三分界线；由前1500点中G1序列和F1序列的极小值，共同对应第一分界线；由G1序列中第三分界线至序列尾部之间的最小值，对应第四分界线；由D1序列的最大值点或者F1序列中第一分界线至F1序列最小值对应的点之间第二极小值点，对应第二分界线。

进一步地，进行五次随机分段实验分段结果和分段时间如表1所示。其中，第五次实验为本次输入压力序列P的分段结果，确定四个分界点分别为103、15035、15567、16584，如图8所示，曲线被分5个数据段。

表1五次随机分段实验分段结果对比

步骤八，根据5600次采集数据并进行数据分段，对第三分段位置进行分段预测，拼接训练特征时序数据，训练开环NARNET，再根据最新一次分段后的第三序列提取出本次分段特征值，进行时序序列预测，预测下一次监测第三分段对应的预测信号数据的特征值。

进一步地，所述特征值提取，以第三数据分段为例(第三数据段为15035～15567个点之间)，提取9个特征值，分别为峰值、均值、均方根、峭度、峭度因子、峰-峰值、分段长度、极值位置、分段终止点。

进一步地，所述的动态神经网络模型，为训练好的NARNET，NARNET延迟步数设置为14，隐藏神经元为10，训练好模型的MSE为0.0308，其网络结构如图9所示。输入提取到的9个特征值，NARNET通过闭环训练，输出预测的9个特征值，该特征值对应下一次压力数据的第三数据分段的特征值。由此，完成对压力数据的分段及预测。

从本发明的实施例中可以看出，通过采用小波去噪、小波强滤波、差分、差分叠加等方法，获得了多个分段依据序列。在各个分段依据序列中，反映并突出了原数据的多个序列变化趋势及特征，由此实现了压力时序数据的快速分段，分段平均用时为0.126秒左右。较之前的方法，本发明通过多次小波的方法在一定程度上解决了处理变化频繁的时序序列的问题，在放大信号特征的同时，巧妙的忽略了微小变化带来的影响，加强了分段的稳定性。最后，利用动态神经网络良好的时序预测能力，对分段后的压力数据段特征值进行预测，为后期实际数据分析和分类预警奠定基础。

需要说明的是，以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但是凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种压力时序数据分段特征值预测方法，包括以下步骤：

S1，对原始压力时序数据P进行数据预处理，剔除缺失值，利用db3小波进行信号去噪，得到去除环境噪声的初始信号数据序列S；

S2，利用Haar小波对初始信号数据序列S进行硬阈值强滤波，得到低频段的信号序列Y，并作为第一分段依据序列；

S3，对序列Y进行逐点一阶差分或二阶差分，得到差分序列D，并作为第二分段依据序列；

S4，以差分序列D为基础，制定并实施差分后的信号叠加策略，累计信号变化趋势，同时实施保护策略，得到累计序列G，并作为第三分段依据序列；

S5，对累计序列G再次进行差分操作，得到第四分段依据序列F，再以所得到的第一至第四个分段依据序列为基础，制定分段策略，进一步对初始信号数据序列S进行分段；

S6，选择分段后位置为N的数据段做预测分析，将前M次初始信号进行分段后得到的该位置的M个短序列(N(1),N(2),…,N(M))，之后分别提取出M个长度为l特征值，并顺序拼接为构造时序数据作为具有动态反馈性的非线性自回归神经网络NARNET输入，训练开环NARNET模型，然后将其切换为闭环NARNET，在设定的误差范围允许内，输出第M+1次分段后同一位置短序列N(M+1)对应的长度为l的预测特征值。

2.根据权利要求1所述的压力时序数据分段特征值预测方法，其特征在于，所述步骤S2具体包括：

通过Haar小波进行信号强滤波，分解尺度设置为5级，阈值函数选择硬阈值方法(sqtwolog)，输出低频信号Y，5级阈值设置为：

式中，λ为阈值取值，n为各层分解尺度。

3.根据权利要求1所述的压力时序数据分段特征值预测方法，其特征在于，所述步骤S3中对序列Y进行差分操作，差分方法的步长设置为1，差分阶数由数据差异水平决定，当数据差距大时，采取二阶差分，当数差距小时，采用一阶差分，得到的序列作为第二分段依据序列D，公式表达为：

式中，t为某信号点次序，y为Y序列信号值，D为差分值，i为差分阶数，数据差距大表示最大值是最小值30倍以上，数据差距小表示最大值是最小值的1倍至30倍之间。

4.根据权利要求1所述的压力时序数据分段特征值预测方法，其特征在于，所述步骤S4中，制定的信号叠加策略具体为：

累计序列即第三分段依据序列G中各点的初始值G(i)设置为0，在第二分段依据序列D中序列点i对应的值视为该点势能值D(i)，为了确定第i+1点的累计信号值G(i+1)，策略分为以下几点：

1)当第i+1点的势能D(i+1)和D(i)同号，且D(i+1)和D(i)均不为零时，G(i+1)为i点累计值G(i)和i点势能值D(i)相加；

2)当i+1点势能D(i+1)为零时，G(i+1)即为i点的累计值G(i)，同时将D(i)值赋值给D(i+1)；

3)当i+1点势能D(i+1)不为零，而i点势能D(i)为零时，G(i+1)为i点累计值G(i)和i+1点势能值D(i+1)相加；

4)当D(i+1)和D(i)不满足上述情况时，G(i+1)即为i点的累计值G(i)，

其公式为：

式中，G(·)为累计信号序列G的数据值，D(·)为信号差分序列D的数据值，i为某数据点次序。

5.如权利要求4所述的压力时序数据分段特征值预测方法，其特征在于：所述步骤S4中，对序列G在累积过程制定的保护策略具体为：

1)首先确定保护缓冲阈值d，然后当G(i+1)不改变累加状态时，随步长变化的累计标志k自加一；

2)当G(i+1)改变累加状态时，累计标志k置为0，同时，记录k置为0之前的最大值为K，上一次k置为零时的序列位置为I；

3)最后，当K小于缓冲阈值d时，将I点后K个点的累计序列值都设为第I点的累计序列值G(I)，同时，将最后一个点的势能值设为相反数-D(I+K+1)，其公式为：

式中，d为保护缓冲阈值，k为累计标志，K为某次累计标志最大值，I为某次k零值序列位置。

6.如权利要求5所述的压力时序数据分段特征值预测方法，其特征在于：所述步骤S6中，NARNET网络训练数据构造过程是先将多次分段后同一位置的短序列分别提取出对应特征值，包括时域特征、频域特征、特殊特征，再将每一个短序列的l个特征值排列为长度为l的特征序列，最后将多个特征序列按时序拼接为构造时序数据，作为NARNET的训练数据，进行开环单步训练，之后进行闭环预测，此时NARNET延迟步数设置为2l-4，隐藏神经元为10，输出长度为l的预测特征序列。