CN113157992B - 风机传感器数据重构方法、装置与计算机可读存储介质 - Google Patents

风机传感器数据重构方法、装置与计算机可读存储介质 Download PDF

Info

Publication number
CN113157992B
CN113157992B CN202110130797.7A CN202110130797A CN113157992B CN 113157992 B CN113157992 B CN 113157992B CN 202110130797 A CN202110130797 A CN 202110130797A CN 113157992 B CN113157992 B CN 113157992B
Authority
CN
China
Prior art keywords
data
type
reconstruction
fault data
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110130797.7A
Other languages
English (en)
Other versions
CN113157992A (zh
Inventor
严寒
孙鹤旭
梅春晓
林涛
董砚
廖文喆
刘斌
张达
井延伟
白日欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Jiantou New Energy Co ltd
Hebei University of Technology
Original Assignee
Hebei Jiantou New Energy Co ltd
Hebei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei Jiantou New Energy Co ltd, Hebei University of Technology filed Critical Hebei Jiantou New Energy Co ltd
Priority to CN202110130797.7A priority Critical patent/CN113157992B/zh
Publication of CN113157992A publication Critical patent/CN113157992A/zh
Application granted granted Critical
Publication of CN113157992B publication Critical patent/CN113157992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请提供了一种风机传感器数据重构方法、装置与计算机可读存储介质。该方法包括：获取风机传感器的历史数据，历史故障数据包括第一类历史故障数据和第二类历史故障数据；对标准LSTM模型进行优化，得到优化LSTM模型；基于优化LSTM模型，构建数据预重构模型；采用第一类历史故障数据和第二类历史故障数据分别对数据预重构模型进行训练，得到第一类数据重构模型和第二类数据重构模型；采用第一类数据重构模型对第一类实时故障数据进行重构，得到重构后的第一类实时故障数据；采用第二类数据重构模型对第二类实时故障数据进行重构，得到重构后的第二类实时故障数据。实现了对风机传感器的不同种类的故障数据的精确重构。

Description

风机传感器数据重构方法、装置与计算机可读存储介质
技术领域
本申请涉及风机传感器数据重构领域，具体而言，涉及一种风机传感器数据重构方法、装置、计算机可读存储介质与处理器。
背景技术
传感器广泛应用于各种控制系统中，以获取各种物理量的数据。由于恶劣的工况环境、电池耗尽、自然老化等各种因素导致控制系统中的传感器易发生故障。故障传感器采集的数据会严重偏离实际值，这些可靠性低的数据会造成控制系统后续的决策、判断失去意义。因此，对故障传感器进行数据重构，具有很大的现实意义。
一般的数据重构方法，都是基于机器学习算法，首先根据自身正常的历史数据建立预测模型，然后利用一段数据样本预测下一时刻数据，当预测值与实际值偏差超出阈值时，表明该时刻发生故障，将预测值代替实际值，实现数据恢复，并依次对之后数据进行预测。
尤其是关于风机传感器，由于风机传感器的应用场景一般工况复杂，传感器的敏感元件十分容易受到各种干扰从而导致故障，故障传感器所产生的故障数据不利于对设备状态进行分析。
针对故障传感器的数据重构，现有相关技术，都是利用正常数据对故障发生时刻的数据进行预测，没有考虑到传感器不同故障类型以及故障数据对数据重构的影响，重构数据的准确率一般较低。而传感器故障一般分为四类，如冲击故障，偏置故障，恒值故障和漂移故障，其中传感器发生偏置故障和漂移故障时所采数据由实际值和故障值叠加而成，发生冲击故障和恒值故障时实际值被故障值所覆盖。
发明内容
本申请的主要目的在于提供一种风机传感器数据重构方法、装置、计算机可读存储介质与处理器，以解决现有技术中故障传感器数据重构方法重构的数据准确度较低的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种风机传感器数据重构方法，包括：获取风机传感器的历史数据，所述历史数据包括历史正常数据和历史故障数据，所述历史故障数据包括第一类历史故障数据和第二类历史故障数据；对标准LSTM模型进行优化，得到优化LSTM模型；基于所述优化LSTM模型，构建数据预重构模型；采用所述第一类历史故障数据和所述第二类历史故障数据分别对所述数据预重构模型进行训练，得到第一类数据重构模型和第二类数据重构模型；采用所述第一类数据重构模型对第一类实时故障数据进行重构，得到重构后的第一类实时故障数据；采用所述第二类数据重构模型对第二类实时故障数据进行重构，得到重构后的第二类实时故障数据。
进一步地，对标准LSTM模型进行优化，得到优化LSTM模型，包括：分别在所述标准LSTM模型的遗忘门和输出门上增加了孔连接；在所述标准LSTM模型的记忆单元上耦合输入门和所述遗忘门，得到优化LSTM模型。
进一步地，采用所述第一类历史故障数据对所述数据预重构模型进行训练，得到第一类数据重构模型，包括：将所述第一类历史故障数据中的部分输入所述数据预重构模型中，输出部分所述第一类历史故障数据的第一预重构结果；将部分所述第一类历史故障数据和所述第一预重构结果做为一个整体，输入所述数据预重构模型中，所述数据预重构模型输出组合重构结果；将部分所述第一类历史故障数据和采集值，组合为第一集合；将所述第一预重构结果和所述组合重构结果，组合为第二集合；采用所述第一集合和所述第二集合对所述数据预重构模型进行训练，得到所述第一类数据重构模型。
进一步地，采用所述第一集合和所述第二集合对所述数据预重构模型进行训练，得到所述第一类数据重构模型之后，所述方法还包括：按照采样时间的先后顺序，实时更新所述第一集合和所述第二集合，得到第一更新集合和第二更新集合；采用所述第一更新集合和所述第二更新集合，对所述第一类数据重构模型进行训练，得到更新后的所述第一类数据重构模型。
进一步地，采用所述第二类历史故障数据对所述数据预重构模型进行训练，得到第二类数据重构模型，包括：将所述第二类历史故障数据中的部分输入所述数据预重构模型中，输出部分所述第二类历史故障数据的第二预重构结果；将所述第二预重构结果输入所述数据预重构模型中，所述数据预重构模型输出重构结果；将所述第二预重构结果和所述重构结果，组合为第三集合；采用所述第三集合对所述数据预重构模型进行训练，得到所述第二类数据重构模型。
进一步地，采用所述第三集合对所述数据预重构模型进行训练，得到所述第二类数据重构模型之后，所述方法还包括：按照采样时间的先后顺序，实时更新所述第三集合，得到第三更新集合；采用所述第三更新集合，对所述第二类数据重构模型进行训练，得到更新后的所述第二类数据重构模型。
进一步地，所述第一类历史故障数据包括偏置故障数据和漂移故障数据，所述第二类历史故障数据包括恒值故障数据和冲击故障数据。
根据本申请的另一个方面，提供了一种风机传感器数据重构装置，包括：获取单元，用于获取风机传感器的历史数据，所述历史数据包括历史正常数据和历史故障数据，所述历史故障数据包括第一类历史故障数据和第二类历史故障数据；优化单元，用于对标准LSTM模型进行优化，得到优化LSTM模型；构建单元，用于基于所述优化LSTM模型，构建数据预重构模型；第一训练单元，用于采用所述第一类历史故障数据和所述第二类历史故障数据分别对所述数据预重构模型进行训练，得到第一类数据重构模型和第二类数据重构模型；第一重构单元，用于采用所述第一类数据重构模型对第一类实时故障数据进行重构，得到重构后的第一类实时故障数据；第二重构单元，用于采用所述第二类数据重构模型对第二类实时故障数据进行重构，得到重构后的第二类实时故障数据。
根据本申请的又一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的风机传感器数据重构方法。
根据本申请的再一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的风机传感器数据重构方法。
应用本申请的技术方案，通过将风机传感器的历史故障数据分为第一类历史故障数据和第二类历史故障数据，以及对标准LSTM模型进行优化，得到优化LSTM模型，然后基于优化LSTM模型，构建数据预重构模型，再采用第一类历史故障数据对数据预重构模型进行训练得到第一类数据重构模型，采用第二类历史故障数据对数据预重构模型进行训练得到第二类数据重构模型，最后采用第一类数据重构模型对第一类实时故障数据进行重构，采用第二类数据重构模型对第二类实时故障数据进行重构，实现了对风机传感器的故障数据的分类重构，且第一类数据重构模型与第一类历史故障数据直接相关，第二类数据重构模型与第二类历史故障数据直接相关，解决了现有技术中的没有考虑到传感器不同故障类型以及故障数据对数据重构的影响的问题，实现了对风机传感器的不同种类的故障数据的精确重构。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的实施例的风机传感器数据重构方法流程图；
图2示出了现有技术中的标准LSTM细胞结构图；
图3示出了根据本申请的实施例的改进LSTM的细胞结构图；
图4示出了根据本申请的实施例的偏置故障数据示意图；
图5示出了根据本申请的实施例的漂移故障数据示意图；
图6示出了根据本申请的实施例的恒值故障数据示意图；
图7示出了根据本申请的实施例的冲击故障数据示意图；
图8示出了根据本申请的实施例的风机传感器数据重构装置示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：
长短期记忆网络(LSTM，Long Short-Term Memory)：是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。
数据重构，即数据恢复，将故障数据恢复成正常数据。
正如背景技术中所介绍的，现有技术中都是利用正常数据对故障发生时刻的数据进行预测，没有考虑到传感器不同故障类型以及故障数据对数据重构的影响，重构数据的准确率一般较低。为解决如上故障传感器数据重构方法重构的数据准确度较低的问题，本申请的实施例提供了一种风机传感器数据重构方法、装置、计算机可读存储介质与处理器。
根据本申请的实施例，提供了一种风机传感器数据重构方法。
图1是根据本申请实施例的风机传感器数据重构方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，获取风机传感器的历史数据，上述历史数据包括历史正常数据和历史故障数据，上述历史故障数据包括第一类历史故障数据和第二类历史故障数据；
步骤S102，对标准LSTM模型进行优化，得到优化LSTM模型；
步骤S103，基于上述优化LSTM模型，构建数据预重构模型；
步骤S104，采用上述第一类历史故障数据和上述第二类历史故障数据分别对上述数据预重构模型进行训练，得到第一类数据重构模型和第二类数据重构模型；
步骤S105，采用上述第一类数据重构模型对第一类实时故障数据进行重构，得到重构后的第一类实时故障数据；
步骤S106，采用上述第二类数据重构模型对第二类实时故障数据进行重构，得到重构后的第二类实时故障数据。
上述方案中，通过将风机传感器的历史故障数据分为第一类历史故障数据和第二类历史故障数据，以及对标准LSTM模型进行优化，得到优化LSTM模型，然后基于优化LSTM模型，构建数据预重构模型，再采用第一类历史故障数据对数据预重构模型进行训练得到第一类数据重构模型，采用第二类历史故障数据对数据预重构模型进行训练得到第二类数据重构模型，最后采用第一类数据重构模型对第一类实时故障数据进行重构，采用第二类数据重构模型对第二类实时故障数据进行重构，实现了对风机传感器的故障数据的分类重构，且第一类数据重构模型与第一类历史故障数据直接相关，第二类数据重构模型与第二类历史故障数据直接相关，解决了现有技术中的没有考虑到传感器不同故障类型以及故障数据对数据重构的影响的问题，实现了对风机传感器的不同种类的故障数据的精确重构。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
数据预重构模型是预先设置的重构模型，可以将数据预重构模型设置为：网络模型依次包括第一LSTM层，记忆单元神经元个数(units)为200；第二LSTM层，units为500；第一全连接层神经元个数为300、第一dropout层，比例为0.2；第二全连接层，神经元个数为200,第二dropout层，比例为0.2，第三全连接层神经元个数为50，输出层输出维数为1。
具体地，可以将第一类历史故障数据分为训练集和测试集，训练集用于对第一类数据重构模型的训练，测试集用于对第一类数据重构模型的测试。同样地，将第二类历史故障数据分为训练集和测试集，训练集用于对第二类数据重构模型的训练，测试集用于对第二类数据重构模型的测试。训练集和测试集的比例可以按需求划分，例如训练集和测试集的比例为8:2；可以采用随机抽取的方法进行划分。
本申请的一种实施例中，对标准LSTM模型进行优化，得到优化LSTM模型，包括：分别在上述标准LSTM模型的遗忘门和输出门上增加了孔连接；在上述标准LSTM模型的记忆单元上耦合输入门和上述遗忘门，得到优化LSTM模型。其中，LSTM是增加了记忆功能的循环神经网络，能够解决时序数据后面的节点对前面节点的信息记忆力下降的问题。在组成结构上LSTM的隐藏层有三个门，分别为输入门，遗忘门，输出门。这些门的输出值的大小都在0和1之间，输出值的大小决定了通过门的输入量的大小。LSTM通过这三个门来实现了对输出值状态和隐藏层状态的保护和控制。标准的LSTM细胞结构如图2所示。设输入时间序列为(x1,x2,...,xt,...,xn)，则在t时刻隐藏层各个门之间满足公式1至公式6。
it＝σ(Wi*Xt+Ui*ht-1+Vi*Ct-1+bi) (公式1)
gt＝tanh(Wc*xt+Uc*ht-1+bc) (公式2)
ft＝σ(Wf*xt+Uf*ht-1+bf) (公式3)
Ct＝it*g+ft*Ct-1 (公式4)
Ot＝σ(W0*xt+U0*ht-1) (公式5)
ht＝Ot*tanh(Ct) (公式6)
其中，ft为遗忘门的激活值，ot为输出门的激活值。ht和ht-1时间步t和时间步t-1时记忆单元的输出。ct和ct-1分别为时间步t和时间步t-1记忆单元的状态为记忆单元候选状态。
本发明主要对标准的LSTM细胞核做了以下两点改进：①在标准LSTM的遗忘门和输出门上增加了孔连接，使遗忘门和输出门都能接受上一时间步的记忆单元Ct-1作为输入。改进后的结构使得模型能够更加充分的选择将要保留和遗忘的历史信息。②与标准的LSTM模型相比，改进的LSTM的记忆单元耦合了输入门和遗忘门，因为传感器采样的历史值是时序数据，对于此类时序数据来说，遗忘的信息和保留的信息是相对的，当遗忘的信息被确定后，那么剩下的信息就是需要保留的信息，即输入门激活值＝1-遗忘门激活值，这使得之前被遗忘的信息状态仅受新的输入值的影响，模型的逻辑更加的直观，效果也更好。经过对LSTM细胞核的改进，此时公式3为变为公式7，公式5变为公式8，公式4变为公式9。改进的LSTM细胞结构如图3所示。
ft＝σ(Wf*Xt+Uf*Ut-1+Vf*CT-1+bi) (公式7)
Ot＝σ(W0*xt+U0*ht-1+V0*Ct-1+b0) (公式8)
Ct＝ft*Ct-1+(1-ft)g (公式9)
在标准LSTM的遗忘门和输出门上增加了孔连接，使遗忘门和输出门都能接受上一时间步的记忆单元作为输入，改进的LSTM能够更加充分的选择将要保留或遗忘的历史信息，记忆单元耦合了输入门与遗忘门，对于传感器采集的时序数据来说，遗忘的信息和保留的信息是相对的，因此改进的模型更适合处理传感器数据，效果更好。
本申请的一种实施例中，采用上述第一类历史故障数据对上述数据预重构模型进行训练，得到第一类数据重构模型，包括：将上述第一类历史故障数据中的部分输入上述数据预重构模型中，输出部分上述第一类历史故障数据的第一预重构结果；将部分上述第一类历史故障数据和上述第一预重构结果做为一个整体，输入上述数据预重构模型中，上述数据预重构模型输出组合重构结果；将部分上述第一类历史故障数据和采集值，组合为第一集合；将上述第一预重构结果和上述组合重构结果，组合为第二集合；采用上述第一集合和上述第二集合对上述数据预重构模型进行训练，得到上述第一类数据重构模型。实现了对第一类数据重构模型的准确构建。
本申请的一种实施例中，采用上述第一集合和上述第二集合对上述数据预重构模型进行训练，得到上述第一类数据重构模型之后，上述方法还包括：按照采样时间的先后顺序，实时更新上述第一集合和上述第二集合，得到第一更新集合和第二更新集合；采用上述第一更新集合和上述第二更新集合，对上述第一类数据重构模型进行训练，得到更新后的上述第一类数据重构模型。以实现对第一类数据重构模型的实时更新。
具体地，构建第一类数据重构模型的步骤如下：
步骤S11：获取第一类历史故障数据中的部分(x1,x2,...,xn)；
步骤S12：将集合(x1,x2,...,xn)作为数据预重构模型的输入，模型的输出
Figure BDA0002925166590000071
即为第一预重构结果；
步骤S13：将集合(x1,x2,...,xn)和第一预重构结果
Figure BDA0002925166590000072
融合为
Figure BDA0002925166590000073
将
Figure BDA0002925166590000074
作为数据预重构模型的输入。数据预重构模型的输出为
Figure BDA0002925166590000075
是对采集值y1的重构，y1为故障传感器上一时刻采集到的值；
步骤S14：将y1与
Figure BDA0002925166590000076
分别加入部分上述第一类历史故障数据和第一预重构结果得到(x1,x2,...,xn,y1)、
Figure BDA0002925166590000077
取最近的n个时刻的数据(x2,...,xn,y1)和
Figure BDA0002925166590000078
作为第一类数据重构模型的输入。也就是说第一类数据重构模型的输入为当前时刻之前n个时刻采集值组成的集合，以及当前时刻之前n个时刻重构后的采集值组成的集合；第一类数据重构模型的输出
Figure BDA0002925166590000079
是对采集值y2的重构。y2为故障传感器当前时刻采集到的值。也就是说通过实时更新第一集合和上述第二集合，得到第一更新集合和第二更新集合；采用上述第一更新集合和上述第二更新集合，对上述第一类数据重构模型进行训练，得到更新后的上述第一类数据重构模型。以实现对第一类数据重构模型的精确确定。
本申请的一种实施例中，采用上述第二类历史故障数据对上述数据预重构模型进行训练，得到第二类数据重构模型，包括：将上述第二类历史故障数据中的部分输入上述数据预重构模型中，输出部分上述第二类历史故障数据的第二预重构结果；将上述第二预重构结果输入上述数据预重构模型中，上述数据预重构模型输出重构结果；将上述第二预重构结果和上述重构结果，组合为第三集合；采用上述第三集合对上述数据预重构模型进行训练，得到上述第二类数据重构模型。以实现对第二类数据重构模型的精确构建。
本申请的一种实施例中，采用上述第三集合对上述数据预重构模型进行训练，得到上述第二类数据重构模型之后，上述方法还包括：按照采样时间的先后顺序，实时更新上述第三集合，得到第三更新集合；采用上述第三更新集合，对上述第二类数据重构模型进行训练，得到更新后的上述第二类数据重构模型。以实现对第二类数据重构模型的实时更新。
具体地，构建第二类数据重构模型的步骤如下：
步骤S21：获取第二类历史故障数据中的部分(x1,x2,...,xn)；
步骤S22：将集合(x1,x2,...,xn)作为数据预重构模型的输入，模型的输出
Figure BDA0002925166590000081
即为第二预重构结果；
步骤S23：将第二预重构结果
Figure BDA0002925166590000082
作为数据预重构模型的输入。数据预重构模型的输出为
Figure BDA0002925166590000083
是对采集值y1的重构，y1为故障传感器上一时刻采集到的值；
步骤S24：将
Figure BDA0002925166590000084
加入第二预重构结果得到第三集合
Figure BDA0002925166590000085
取最近的n个时刻的数据(x2,...,xn,y1)作为第二类数据重构模型的输入。也就是说第二类数据重构模型的输入为当前时刻之前的n个时刻采集值组成的集合；第二类数据重构模型的输出
Figure BDA0002925166590000086
是对采集值y2的重构，y2为故障传感器当前时刻采集到的值。也就是说通过实时更新第三集合，得到第三更新集合；采用上述第三更新集合，对上述第二类数据重构模型进行训练，得到更新后的上述第二类数据重构模型。以实现对第二类数据重构模型的精确确定。
本申请的一种实施例中，上述第一类历史故障数据包括偏置故障数据和漂移故障数据，上述第二类历史故障数据包括恒值故障数据和冲击故障数据。传感器故障一般分为四类，如冲击故障，偏置故障，恒值故障和漂移故障，其中传感器发生偏置故障和漂移故障时所采数据由实际值和故障值叠加而成，发生冲击故障和恒值故障时实际值被故障值所覆盖。所以将偏置故障数据和漂移故障数据归为一类，将恒值故障数据和冲击故障数据归为一类。
一种具体的实施方式中，选用华北某风电场2018-2019年的风机齿轮箱前轴承温度作为数据集，数据集中标注了偏差故障、漂移故障、冲击故障、恒值故障四种故障类型，图4示出了偏置故障数据示意图；图5示出了漂移故障数据示意图；图6示出了恒值故障数据示意图；图7示出了冲击故障数据示意图。为了数据平衡在数据集中又增加了一些故障数据。增加的故障数据，偏差故障的偏差常数为20％-70％，漂移故障的漂移常数为5％-10％，冲击故障中冲击波的幅值为正常值的2-3倍，恒值故障的恒定值为上一时刻值。当风机传感器发生偏置故障和漂移故障时，可以发现采集值由真实值和故障值构成。由于采集值蕴含了很大比例的实际值，所以在重构下一时刻的故障数据时，故障传感器采集的历史序列是非常重要的特征。除了故障的历史数据外，上一步重构的数据能够更加真实的反应实际的历史序列，所以也是重构下一时刻故障数据的重要特征。因此将这两类故障划分为第一类故障数据。风机传感器冲击故障和恒值故障在形成原因上多为外部电路较大的干扰引起，偶然性较强且故障现象较明显，故障后可被及时诊断出来。故障时传感器的采集值会完全被故障值湮没，所以所需重构的故障历史数据由大量连续的真实值和故障值构成。因此将这两类故障划分为第二类故障数据。
本申请的一种实施例中，采用上述第一类历史故障数据和上述第二类历史故障数据分别对上述数据预重构模型进行训练，得到第一类数据重构模型和第二类数据重构模型，包括：对上述第一类历史故障数据进行归一化处理，得到第一类归一化数据；对上述第二类历史故障数据进行归一化处理，得到第二类归一化数据；采用上述第一类归一化数据对上述数据预重构模型进行训练，得到上述第一类数据重构模型；采用上述第二类归一化数据对上述数据预重构模型进行训练，得到上述第一类数据重构模型。对数据进行归一化处理的具体方式如下：
Figure BDA0002925166590000091
其中，在对第一类历史故障数据进行重构时，x表示待重构的第一类历史故障数据，xmin表示第一类历史故障数据中的最小值，xmax表示第一类历史故障数据中的最大值，X'表示第一类归一化数据。对第二类历史故障数据进行归一化处理的方式等同于对第一类历史故障数据进行归一化处理的方式。
本申请实施例还提供了一种风机传感器数据重构装置，需要说明的是，本申请实施例的风机传感器数据重构装置可以用于执行本申请实施例所提供的用于风机传感器数据重构方法。以下对本申请实施例提供的风机传感器数据重构装置进行介绍。
图8是根据本申请实施例的风机传感器数据重构装置的示意图。如图8所示，该装置包括：
获取单元10，用于获取风机传感器的历史数据，上述历史数据包括历史正常数据和历史故障数据，上述历史故障数据包括第一类历史故障数据和第二类历史故障数据；
优化单元20，用于对标准LSTM模型进行优化，得到优化LSTM模型；
构建单元30，用于基于上述优化LSTM模型，构建数据预重构模型；
第一训练单元40，用于采用上述第一类历史故障数据和上述第二类历史故障数据分别对上述数据预重构模型进行训练，得到第一类数据重构模型和第二类数据重构模型；
第一重构单元50，用于采用上述第一类数据重构模型对第一类实时故障数据进行重构，得到重构后的第一类实时故障数据；
第二重构单元60，用于采用上述第二类数据重构模型对第二类实时故障数据进行重构，得到重构后的第二类实时故障数据。
上述方案中，通过将风机传感器的历史故障数据分为第一类历史故障数据和第二类历史故障数据，优化单元对标准LSTM模型进行优化，得到优化LSTM模型，第一训练单元基于优化LSTM模型，构建数据预重构模型，第一重构单元采用第一类历史故障数据对数据预重构模型进行训练得到第一类数据重构模型，第二重构单元采用第二类历史故障数据对数据预重构模型进行训练得到第二类数据重构模型，最后采用第一类数据重构模型对第一类实时故障数据进行重构，采用第二类数据重构模型对第二类实时故障数据进行重构，实现了对风机传感器的故障数据的分类重构，且第一类数据重构模型与第一类历史故障数据直接相关，第二类数据重构模型与第二类历史故障数据直接相关，解决了现有技术中的没有考虑到传感器不同故障类型以及故障数据对数据重构的影响的问题，实现了对风机传感器的不同种类的故障数据的精确重构。
本申请的一种实施例中，优化单元包括处理模块和耦合模块，处理模块用于分别在上述标准LSTM模型的遗忘门和输出门上增加了孔连接；耦合模块用于在上述标准LSTM模型的记忆单元上耦合输入门和上述遗忘门，得到优化LSTM模型。其中，LSTM是增加了记忆功能的循环神经网络，能够解决时序数据后面的节点对前面节点的信息记忆力下降的问题。在组成结构上LSTM的隐藏层有三个门，分别为输入门，遗忘门，输出门。这些门的输出值的大小都在0和1之间，输出值的大小决定了通过门的输入量的大小。LSTM通过这三个门来实现了对输出值状态和隐藏层状态的保护和控制。标准的LSTM细胞结构如图2所示。设输入时间序列为(x1,x2,...,xt,...,xn)，则在t时刻隐藏层各个门之间满足公式1至公式6。
it＝σ(Wi*Xt+Ui*ht-1+Vi*Ct-1+bi) (公式1)
gt＝tanh(Wc*xt+Uc*ht-1+bc) (公式2)
ft＝σ(Wf*xt+Uf*ht-1+bf) (公式3)
Ct＝it*g+ft*Ct-1 (公式4)
Ot＝σ(W0*xt+U0*ht-1) (公式5)
ht＝Ot*tanh(Ct) (公式6)
其中，ft为遗忘门的激活值，ot为输出门的激活值。ht和ht-1时间步t和时间步t-1时记忆单元的输出。ct和ct-1分别为时间步t和时间步t-1记忆单元的状态为记忆单元候选状态。
本发明主要对标准的LSTM细胞核做了以下两点改进：①在标准LSTM的遗忘门和输出门上增加了孔连接，使遗忘门和输出门都能接受上一时间步的记忆单元Ct-1作为输入。改进后的结构使得模型能够更加充分的选择将要保留和遗忘的历史信息。②与标准的LSTM模型相比，改进的LSTM的记忆单元耦合了输入门和遗忘门，因为传感器采样的历史值是时序数据，对于此类时序数据来说，遗忘的信息和保留的信息是相对的，当遗忘的信息被确定后，那么剩下的信息就是需要保留的信息，即输入门激活值＝1-遗忘门激活值，这使得之前被遗忘的信息状态仅受新的输入值的影响，模型的逻辑更加的直观，效果也更好。经过对LSTM细胞核的改进，此时公式3为变为公式7，公式5变为公式8，公式4变为公式9。改进的LSTM细胞结构如图3所示。
ft＝σ(Wf*Xt+Uf*Ut-1+Vf*CT-1+bi) (公式7)
Ot＝σ(W0*xt+U0*ht-1+V0*Ct-1+b0) (公式8)
Ct＝ft*Ct-1+(1-ft)g (公式9)
在标准LSTM的遗忘门和输出门上增加了孔连接，使遗忘门和输出门都能接受上一时间步的记忆单元作为输入，改进的LSTM能够更加充分的选择将要保留或遗忘的历史信息，记忆单元耦合了输入门与遗忘门，对于传感器采集的时序数据来说，遗忘的信息和保留的信息是相对的，因此改进的模型更适合处理传感器数据，效果更好。
本申请的一种实施例中，第一训练单元包括第一输入模块、第二输入模块、第一组合模块、第二组合模块和第一训练模块，第一输入模块用于将上述第一类历史故障数据中的部分输入上述数据预重构模型中，输出部分上述第一类历史故障数据的第一预重构结果；第二输入模块用于将部分上述第一类历史故障数据和上述第一预重构结果做为一个整体，输入上述数据预重构模型中，上述数据预重构模型输出组合重构结果；第一组合模块用于将部分上述第一类历史故障数据和采集值，组合为第一集合；第二组合模块用于将上述第一预重构结果和上述组合重构结果，组合为第二集合；第一训练模块用于采用上述第一集合和上述第二集合对上述数据预重构模型进行训练，得到上述第一类数据重构模型。实现了对第一类数据重构模型的准确构建。
本申请的一种实施例中，上述装置还包括第一更新单元和第二训练单元，第一更新单元用于采用上述第一集合和上述第二集合对上述数据预重构模型进行训练，得到上述第一类数据重构模型之后，按照采样时间的先后顺序，实时更新上述第一集合和上述第二集合，得到第一更新集合和第二更新集合；第二训练单元用于采用上述第一更新集合和上述第二更新集合，对上述第一类数据重构模型进行训练，得到更新后的上述第一类数据重构模型。以实现对第一类数据重构模型的实时更新。
本申请的一种实施例中，第一训练单元包括包括第三输入模块、第四输入模块、第三组合模块和第二训练模块，第三输入模块用于将上述第二类历史故障数据中的部分输入上述数据预重构模型中，输出部分上述第二类历史故障数据的第二预重构结果；第四输入模块用于将上述第二预重构结果输入上述数据预重构模型中，上述数据预重构模型输出重构结果；第三组合模块用于将上述第二预重构结果和上述重构结果，组合为第三集合；第二训练模块用于采用上述第三集合对上述数据预重构模型进行训练，得到上述第二类数据重构模型。以实现对第二类数据重构模型的精确构建。
本申请的一种实施例中，上述装置还包括第二更新单元和第三训练单元，第二更新单元用于采用上述第三集合对上述数据预重构模型进行训练，得到上述第二类数据重构模型之后，按照采样时间的先后顺序，实时更新上述第三集合，得到第三更新集合；第三训练单元用于采用上述第三更新集合，对上述第二类数据重构模型进行训练，得到更新后的上述第二类数据重构模型。以实现对第二类数据重构模型的实时更新。
所述风机传感器数据重构装置包括处理器和存储器，上述获取单元、优化单元、构建单元、第一训练单元、第一重构单元和第二重构单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现对风机传感器故障数据的精确重构。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行所述风机传感器数据重构方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述风机传感器数据重构方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
步骤S101，获取风机传感器的历史数据，上述历史数据包括历史正常数据和历史故障数据，上述历史故障数据包括第一类历史故障数据和第二类历史故障数据；
步骤S102，对标准LSTM模型进行优化，得到优化LSTM模型；
步骤S103，基于上述优化LSTM模型，构建数据预重构模型；
步骤S104，采用上述第一类历史故障数据和上述第二类历史故障数据分别对上述数据预重构模型进行训练，得到第一类数据重构模型和第二类数据重构模型；
步骤S105，采用上述第一类数据重构模型对第一类实时故障数据进行重构，得到重构后的第一类实时故障数据；
步骤S106，采用上述第二类数据重构模型对第二类实时故障数据进行重构，得到重构后的第二类实时故障数据。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
步骤S101，获取风机传感器的历史数据，上述历史数据包括历史正常数据和历史故障数据，上述历史故障数据包括第一类历史故障数据和第二类历史故障数据；
步骤S102，对标准LSTM模型进行优化，得到优化LSTM模型；
步骤S103，基于上述优化LSTM模型，构建数据预重构模型；
步骤S104，采用上述第一类历史故障数据和上述第二类历史故障数据分别对上述数据预重构模型进行训练，得到第一类数据重构模型和第二类数据重构模型；
步骤S105，采用上述第一类数据重构模型对第一类实时故障数据进行重构，得到重构后的第一类实时故障数据；
步骤S106，采用上述第二类数据重构模型对第二类实时故障数据进行重构，得到重构后的第二类实时故障数据。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1)、本申请的风机传感器数据重构方法，通过将风机传感器的历史故障数据分为第一类历史故障数据和第二类历史故障数据，以及对标准LSTM模型进行优化，得到优化LSTM模型，然后基于优化LSTM模型，构建数据预重构模型，再采用第一类历史故障数据对数据预重构模型进行训练得到第一类数据重构模型，采用第二类历史故障数据对数据预重构模型进行训练得到第二类数据重构模型，最后采用第一类数据重构模型对第一类实时故障数据进行重构，采用第二类数据重构模型对第二类实时故障数据进行重构，实现了对风机传感器的故障数据的分类重构，且第一类数据重构模型与第一类历史故障数据直接相关，第二类数据重构模型与第二类历史故障数据直接相关，解决了现有技术中的没有考虑到传感器不同故障类型以及故障数据对数据重构的影响的问题，实现了对风机传感器的不同种类的故障数据的精确重构。
2)、本申请的风机传感器数据重构装置，通过将风机传感器的历史故障数据分为第一类历史故障数据和第二类历史故障数据，优化单元对标准LSTM模型进行优化，得到优化LSTM模型，第一训练单元基于优化LSTM模型，构建数据预重构模型，第一重构单元采用第一类历史故障数据对数据预重构模型进行训练得到第一类数据重构模型，第二重构单元采用第二类历史故障数据对数据预重构模型进行训练得到第二类数据重构模型，最后采用第一类数据重构模型对第一类实时故障数据进行重构，采用第二类数据重构模型对第二类实时故障数据进行重构，实现了对风机传感器的故障数据的分类重构，且第一类数据重构模型与第一类历史故障数据直接相关，第二类数据重构模型与第二类历史故障数据直接相关，解决了现有技术中的没有考虑到传感器不同故障类型以及故障数据对数据重构的影响的问题，实现了对风机传感器的不同种类的故障数据的精确重构。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种风机传感器数据重构方法，其特征在于，第一类故障数据由真实值和故障值叠加而成，第一类故障数据包括：第一类历史故障数据和第一类实时故障数据，第二类故障数据实际值被故障值所覆盖，第二类故障数据包括第二类历史故障数据和第二类实时故障数据，包括：
获取风机传感器的历史数据，所述历史数据包括历史正常数据和历史故障数据，所述历史故障数据包括第一类历史故障数据和第二类历史故障数据；
对标准LSTM模型进行优化，得到优化LSTM模型；
基于所述优化LSTM模型，构建数据预重构模型；
采用所述第一类历史故障数据和所述第二类历史故障数据分别对所述数据预重构模型进行训练，得到第一类数据重构模型和第二类数据重构模型；
采用所述第一类数据重构模型对第一类实时故障数据进行重构，得到重构后的第一类实时故障数据；
采用所述第二类数据重构模型对第二类实时故障数据进行重构，得到重构后的第二类实时故障数据；
采用所述第一类历史故障数据对所述数据预重构模型进行训练，得到第一类数据重构模型，包括：
将所述第一类历史故障数据中的部分输入所述数据预重构模型中，输出部分所述第一类历史故障数据的第一预重构结果；
将部分所述第一类历史故障数据和所述第一预重构结果作为一个整体，输入所述数据预重构模型中，所述数据预重构模型输出组合重构结果；
将部分所述第一类历史故障数据和采集值，组合为第一集合；
将所述第一预重构结果和所述组合重构结果，组合为第二集合；
采用所述第一集合和所述第二集合对所述数据预重构模型进行训练，得到所述第一类数据重构模型；
采用所述第二类历史故障数据对所述数据预重构模型进行训练，得到第二类数据重构模型，包括：
将所述第二类历史故障数据中的部分输入所述数据预重构模型中，输出部分所述第二类历史故障数据的第二预重构结果；
将所述第二预重构结果输入所述数据预重构模型中，所述数据预重构模型输出重构结果；
将所述第二预重构结果和所述重构结果，组合为第三集合；
采用所述第三集合对所述数据预重构模型进行训练，得到所述第二类数据重构模型。
2.根据权利要求1所述的方法，其特征在于，对标准LSTM模型进行优化，得到优化LSTM模型，包括：
分别在所述标准LSTM模型的遗忘门和输出门上增加了孔连接；
在所述标准LSTM模型的记忆单元上耦合输入门和所述遗忘门，得到优化LSTM模型。
3.根据权利要求1所述的方法，其特征在于，采用所述第一集合和所述第二集合对所述数据预重构模型进行训练，得到所述第一类数据重构模型之后，所述方法还包括：
按照采样时间的先后顺序，实时更新所述第一集合和所述第二集合，得到第一更新集合和第二更新集合；
采用所述第一更新集合和所述第二更新集合，对所述第一类数据重构模型进行训练，得到更新后的所述第一类数据重构模型。
4.根据权利要求1所述的方法，其特征在于，采用所述第三集合对所述数据预重构模型进行训练，得到所述第二类数据重构模型之后，所述方法还包括：
按照采样时间的先后顺序，实时更新所述第三集合，得到第三更新集合；
采用所述第三更新集合，对所述第二类数据重构模型进行训练，得到更新后的所述第二类数据重构模型。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述第一类历史故障数据包括偏置故障数据和漂移故障数据，所述第二类历史故障数据包括恒值故障数据和冲击故障数据。
6.一种风机传感器数据重构装置，其特征在于，第一类故障数据由真实值和故障值叠加而成，第一类故障数据包括：第一类历史故障数据和第一类实时故障数据，第二类故障数据实际值被故障值所覆盖，第二类故障数据包括第二类历史故障数据和第二类实时故障数据，包括：
获取单元，用于获取风机传感器的历史数据，所述历史数据包括历史正常数据和历史故障数据，所述历史故障数据包括第一类历史故障数据和第二类历史故障数据；
优化单元，用于对标准LSTM模型进行优化，得到优化LSTM模型；
构建单元，用于基于所述优化LSTM模型，构建数据预重构模型；
第一训练单元，用于采用所述第一类历史故障数据和所述第二类历史故障数据分别对所述数据预重构模型进行训练，得到第一类数据重构模型和第二类数据重构模型；
第一重构单元，用于采用所述第一类数据重构模型对第一类实时故障数据进行重构，得到重构后的第一类实时故障数据；
第二重构单元，用于采用所述第二类数据重构模型对第二类实时故障数据进行重构，得到重构后的第二类实时故障数据；
第一训练单元包括第一输入模块、第二输入模块、第一组合模块、第二组合模块和第一训练模块，第一输入模块用于将所述第一类历史故障数据中的部分输入所述数据预重构模型中，输出部分所述第一类历史故障数据的第一预重构结果；第二输入模块用于将部分所述第一类历史故障数据和所述第一预重构结果作为一个整体，输入所述数据预重构模型中，所述数据预重构模型输出组合重构结果；第一组合模块用于将部分所述第一类历史故障数据和采集值，组合为第一集合；第二组合模块用于将所述第一预重构结果和所述组合重构结果，组合为第二集合；第一训练模块用于采用所述第一集合和所述第二集合对所述数据预重构模型进行训练，得到所述第一类数据重构模型；
第一训练单元包括第三输入模块、第四输入模块、第三组合模块和第二训练模块，第三输入模块用于将所述第二类历史故障数据中的部分输入所述数据预重构模型中，输出部分所述第二类历史故障数据的第二预重构结果；第四输入模块用于将所述第二预重构结果输入所述数据预重构模型中，所述数据预重构模型输出重构结果；第三组合模块用于将所述第二预重构结果和所述重构结果，组合为第三集合；第二训练模块用于采用所述第三集合对所述数据预重构模型进行训练，得到所述第二类数据重构模型。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至5中任意一项所述的风机传感器数据重构方法。
8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的风机传感器数据重构方法。
CN202110130797.7A 2021-01-29 2021-01-29 风机传感器数据重构方法、装置与计算机可读存储介质 Active CN113157992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110130797.7A CN113157992B (zh) 2021-01-29 2021-01-29 风机传感器数据重构方法、装置与计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110130797.7A CN113157992B (zh) 2021-01-29 2021-01-29 风机传感器数据重构方法、装置与计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113157992A CN113157992A (zh) 2021-07-23
CN113157992B true CN113157992B (zh) 2022-09-30

Family

ID=76879095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110130797.7A Active CN113157992B (zh) 2021-01-29 2021-01-29 风机传感器数据重构方法、装置与计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113157992B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114283956A (zh) * 2021-11-17 2022-04-05 中国核电工程有限公司 一种传感器智能数据重构方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180276912A1 (en) * 2017-03-23 2018-09-27 Uber Technologies, Inc. Machine Learning for Triaging Failures in Autonomous Vehicles
US20200104639A1 (en) * 2018-09-28 2020-04-02 Applied Materials, Inc. Long short-term memory anomaly detection for multi-sensor equipment monitoring
CN109738776A (zh) * 2019-01-02 2019-05-10 华南理工大学 基于lstm的风机变流器开路故障识别方法
CN110735769A (zh) * 2019-09-18 2020-01-31 西安察柏科技咨询有限公司 一种预测风机故障的方法及装置、系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法

Also Published As

Publication number Publication date
CN113157992A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN102324034B (zh) 基于最小二乘支持向量机在线预测的传感器故障诊断方法
Dong et al. Robust fault detection with statistical uncertainty in identified parameters
Shoeibi Omrani et al. Improving the accuracy of virtual flow metering and back-allocation through machine learning
CN111767957B (zh) 一种日志异常的检测方法、装置、存储介质及电子设备
Xiang et al. Automatic multi-differential deep learning and its application to machine remaining useful life prediction
US11443168B2 (en) Log analysis system employing long short-term memory recurrent neural net works
CN113157992B (zh) 风机传感器数据重构方法、装置与计算机可读存储介质
US11429856B2 (en) Neural networks adaptive boosting using semi-supervised learning
CN113705915A (zh) 一种基于cnn-lstm-arima组合短期电力负荷预测方法
CN116227543A (zh) 用电异常的检测方法、检测装置、电子装置和电子设备
Kharlamova et al. A digital twin of battery energy storage systems providing frequency regulation
Cheng et al. A case-based data-driven prediction framework for machine fault prognostics
US20230039740A1 (en) Anomaly detection apparatus, anomaly detection method and program
Ghassemi et al. Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings
Du et al. Stacked convolutional LSTM models for prognosis of bearing performance degradation
CN111832636B (zh) 基于特征组合的朴素贝叶斯岩相分类方法及装置
Fatema et al. Analysing and forecasting electricity demand and price using deep learning model during the COVID-19 pandemic
Wang et al. Assessing the performance degradation of lithium-ion batteries using an approach based on fusion of multiple feature parameters
Vanem et al. Data‐driven snapshot methods leveraging data fusion to estimate state of health for maritime battery systems
Hirey et al. Analysis of stock price prediction using machine learning algorithms
Lee et al. Neural network approach to coastal high and low water level prediction
CN112561171A (zh) 一种滑坡的预测方法、装置、设备及存储介质
Li et al. Extraction of Abnormal Points from On-line Operation Data of Intelligent Meter Based on LSTM
Rahman et al. Power system distributed dynamic state prediction
Ramuhalli et al. Nuclear Power Prognostic Model Assessment for Component Health Monitoring

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant