CN113688771B - Lng储罐加速度响应数据补全方法及装置 - Google Patents
Lng储罐加速度响应数据补全方法及装置 Download PDFInfo
- Publication number
- CN113688771B CN113688771B CN202111027194.0A CN202111027194A CN113688771B CN 113688771 B CN113688771 B CN 113688771B CN 202111027194 A CN202111027194 A CN 202111027194A CN 113688771 B CN113688771 B CN 113688771B
- Authority
- CN
- China
- Prior art keywords
- data
- acceleration
- acceleration data
- sequence
- cnn
- 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
Links
- 230000001133 acceleration Effects 0.000 title claims abstract description 352
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004044 response Effects 0.000 title claims abstract description 30
- 230000001502 supplementing effect Effects 0.000 title claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 62
- 238000003062 neural network model Methods 0.000 claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000000295 complement effect Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 35
- 238000005259 measurement Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 19
- 230000002093 peripheral effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003169 complementation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 101150050759 outI gene Proteins 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种LNG储罐加速度响应数据补全方法及装置,包括采集LNG储罐的加速度数据,得到加速度数据序列矩阵;采用集合经验模态分解算法将所述加速度数据序列矩阵分解得到EEMD分解数据样本;将EEMD分解数据样本和异常数据测点测得的历史加速度数据输入MultiCNN神经网络模型中进行迭代训练,优化模型参数,采集LNG储罐的实时加速度数据,输入训练好的MultiCNN神经网络模型中,通过MultiCNN神经网络模型预测得到加速度预测数据,利用所述加速度预测数据对缺失的加速度数据进行补全;本发明基于EEMD算法与MultiCNN模型实现,使得加速度预测数据的预测精度高,能够准确评估LNG储罐的加速度结构响应。
Description
技术领域
本发明涉及LNG储罐加速度响应数据补全技术领域,具体公开了一种LNG储罐加速度响应数据补全方法及装置。
背景技术
加速度传感数据分析对于评估LNG储罐结构动力响应具有重要意义,在振动台实验过程中,通常采用加速度传感器来对加速度数据进行采集,但某些加速度传感器在长时间工作会发生失效或者异常从而导致数据丢失,并且这些数据丢失后很难恢复。
目前,基于人工智能方法对LNG储罐结构缺失传感数据预测方法主要分为两种:一种是“浅层”机器学习方法,但加速度传感数据具有高度非线性和非高斯性,“浅层”的模型对加速度响应的长期预测具有一定的局限性,无法处理海量的监测数据且准确率较低;另一种方法是传统的深度神经网络模型,具有普遍性、效率高等特点,但准确性有待进一步的提高。因此,有必要进一步提高传统深度神经网络模型的精度,以开展既准确又实时的LNG储罐结构加速度响应预测及补全工作。
发明内容
有鉴于此,本发明的目的在于提供一种LNG储罐加速度响应数据补全方法及装置,以解决现有技术中由于加速度传感器失效或异常导致加速度数据丢失后难以恢复以及补全困难的问题。
为达到上述目的,本发明一方面提供一种LNG储罐加速度响应数据补全方法及装置,具体包括以下步骤:
S1:采集LNG储罐上一系列加速度数据,确定异常数据测点,基于该异常数据测点得到加速度数据序列矩阵;
S2:采用集合经验模态分解算法将所述加速度数据序列矩阵分解为多个IMF分量和RES分量,得到EEMD分解数据样本;
S3:结合多尺度卷积及并行卷积的方式构建MultiCNN神经网络模型;
S4:定义MultiCNN神经网络模型的损失函数,将EEMD分解数据样本和对应的加速度数据输入MultiCNN神经网络中进行模型训练;
S5:采集LNG储罐的实时加速度数据,输入训练好的MultiCNN神经网络模型中进行预测,得到加速度预测数据;利用得到的加速度预测数据对异常或缺失的加速度数据进行补全。
进一步的,在步骤S1中,基于异常数据测点得到加速度数据序列矩阵的具体方法为:
选择异常数据测点在数据出现异常或缺失时刻之前的历史加速度数据,以及选择所述异常数据测点设定范围内的周围数据测点测得的对应时刻的周围加速度数据,并将各个数据测点测得的历史加速度数据和周围加速度数据分别按时序整合成对应的加速度数据序列,进而组合形成加速度数据序列矩阵。
进一步的,在步骤S2中,所述加速度数据序列矩阵中包含有历史加速度数据序列及其周围加速度数据序列,所述历史加速度数据序列及其周围加速度数据序列记为原始加速度数据序列,分别对各原始加速度数据序列矩阵进行集合经验模态分解,其具体步骤为:
S201:设置原始加速度数据序列的分解次数,每分解一次记为一组原始加速度数据序列,得到多组原始加速度数据序列;
S202:在每组原始加速度数据序列中分别叠加一组不同幅值的高斯白噪声得到多组第一加速度数据序列;
S203:分别对每组第一加速度数据序列进行经验模态分解,得到多组imf分量和res分量;
S204:分别计算所述imf分量的平均值,得到IMF分量和RES分量。
进一步的,在步骤S203中,对所述第一加速度数据进行经验模态分解的具体步骤为:
S2031:筛选出第一加速度数据序列中所有的极大值点和极小值点,对所述极大值点和极小值点分别进行拟合得到所述第一加速度数据序列的上包络线和下包络线;
S2032:根据所述上包络线和下包络线计算所述第一加速度数据序列的均值包络,并计算所述第一加速度数据序列与均值包络之间的差值得到第一残余加速度数据序列;
S2033:判断所述第一残余加速度数据序列是否满足imf分量成立的条件,若满足,则执行步骤S2034,若不满足,则对所述第一残余加速度数据序列重复执行步骤S2031-S2032,直至重复次后得到的第/>个残余曲线满足imf分量成立的条件为止;
S2034:将第个残余加速度数据序列作为第一加速度数据序列的第一个imf分量,并将第一个imf分量从第一加速度数据序列中分离,得到第一res分量;
S2035:判断所述第一res分量是否为单调函数,若是,则完成分解,否则对所述第一res分量重复执行步骤S2031-S2034,直至重复次得到的第/>个剩余加速度数据序列为单调函数为止,所述第/>个剩余加速度数据序列即为第一加速度数据序列经过经验模态分解得到的res分量。
进一步的,在步骤S2033中,所述imf分量成立的条件为:
在整个时程内,所述第一残余加速度数据序列上极大值点和极小值点的个数与过零点的个数相等或最多相差一个;
在整个时程内,所述第一残余加速度数据序列上任意一点处的上包络线和下包络线的均值为零。
进一步的,在步骤S3中,所述MultiCNN神经网络模型包括一MultiCNN网络层和一全连接层,所述MultiCNN网络层包括多个并行的MultiCNN特征提取单元,所述MultiCNN网络层对输入的EEMD分解数据样本和历史加速度数据通过卷积运算进行不同维度的特征提取,再通过全连接层对不同维度的特征进行特征融合,以输出加速度预测数据。
进一步的,每一所述MultiCNN特征提取单元均包括一卷积层和一池化层,所述卷积层采用多尺度卷积核对输入的EEMD分解数据样本和历史加速度数据进行特征提取,进而得到不同维度的特征;所述池化层消除冗余特征信息,以提取得到不同维度的特征序列。
进一步的,所述步骤S4的具体步骤为:
S401:定义所述MultiCNN神经网络模型的损失函数,并将EEMD分解数据样本和异常数据测点测得的历史加速度数据输入MultiCNN神经网络模型中;
S402:所述MultiCNN网络层通过并行的MultiCNN特征提取单元对输入的EEMD分解数据样本和异常数据测点测得的历史加速度数据进行不同维度特征提取,输出周围加速度数据与异常数据测点之间的相关性特征序列;
S403:所述全连接层对输出不同维度的特征进行特征融合,输出加速度预测数据;
S404:将加速度预测数据反向传递至MultiCNN神经网络模型中进行迭代训练,直至损失函数趋于稳定或达到最大迭代次数时,完成训练,得到训练好的MultiCNN神经网络模型。
进一步的,在步骤S4中,所述损失函数采用均方误差函数,其表达式为:
;
其中:为/>时刻输入MultiCNN神经网络模型的IMF分量,/>为LNG储罐在/>时刻的加速度预测数据,/>为模型训练时迭代的次数。
本发明的另一方面,还提供一种LNG储罐加速度响应数据补全装置,其特征在于,包括:
数据采集模块,用于采集LNG储罐的加速度数据并传输给数据筛选模块;
数据筛选及整合模块,用于确定异常数据测点,基于该异常数据测点筛选出对应的历史加速度数据和周围加速度数据,并将筛选出的历史加速度数据和周围加速度数据按时序整合成加速度数据序列阵列传输给数据分解模块;
数据分解模块,用于对所述数据整合模块输出加速度数据序列阵列进行集合经验模态分解,得到多个IMF分量和一个RES分量,形成EEMD分解数据样本;
模型构建模块,用于构建MultiCNN神经网络模型,所述MultiCNN神经网络模型包括一MultiCNN网络层和一全连接层,所述MultiCNN网络层包括并行的多个MultiCNN特征提取单元,每一MultiCNN特征提取单元均可对输入的EEMD分解数据样本和历史加速度速度进行多尺度的特征提取,全连接层用于特征融合;
模型训练模块,用于将数据分解模块分解得到的EEMD分解数据样本和异常数据测点测得的历史加速度速度输入MultiCNN神经网络模型中进行迭代训练,得到训练好的MultiCNN神经网络模型;
预测数据输出模块,用于根据实时采集的加速度数据输出加速度预测数据;
数据补全模块,用于在加速度数据缺失时,利用所述加速度预测数据对数据缺失的加速度数据进行补全;以及
显示模块,用于对加速度预测数据进行显示。
本发明基于集合经验模态分解算法(EEMD算法)与MultiCNN神经网络模型实现,EEMD算法能使复杂非线性加速度数据分解为有限个频率由高到低的IMF分量的的线性组合,并且所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号,而MultiCNN网络具有局部连接、权值共享等特点,通过设置多尺度卷积核来对输入的数据进行不同维度的特征提取,在不增加卷积层层数的基础上扩大了卷积层提取特征的维度,简化了模型结构,提高了模型对数据处理的速度,并且具有较高的精度,有利于准确评估LNG储罐的结构动力响应。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
图1为本发明LNG储罐加速度响应数据补全方法的流程图。
图2为步骤S2的流程图。
图3为步骤S203的流程图。
图4为步骤S3中MultiCNN神经网络模型的结构图。
图5为步骤S3中MultiCNN特征提取单元的结构图。
图6为步骤S4的流程图。
图7为步骤S6加速度缺失数据补全的过程示意图。
图8为本发明LNG储罐加速度响应数据补全装置的系统框图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
如图1所示,为本实施例的LNG储罐加速度响应数据补全方法及装置的流程图。本实施例的LNG储罐加速度响应数据补全方法及装置包括以下步骤:
S1:采集LNG储罐的加速度数据。
在LNG储罐上布置多个加速度传感器,通过加速度传感器采集LNG储罐的加速度数据,确定异常数据测点(/>为该异常数据测点/>的数据异常或缺失时刻,也即本实施例中的当前时刻)。
首先,选择异常数据测点在数据异常或缺失时刻之前的历史加速度数据(即/>时刻之前的历史加速度数据),形成历史加速度数据集合/>,所述历史加速度数据集合/>可表示为:
(1)
然后,选择所述历史加速度数据集合中每一历史加速度数据设定范围内的周围数据测点测得的对应时刻的周围加速度数据形成周围加速度数据集合/>,所述周围加速度数据为与每一异常数据测点/>对应的周围数据测点测得的加速度数据。在本实施例中,所述设定范围可以根据预测精度选择以异常数据测点/>为圆心一定半径范围内的测点作为周围数据测点。所述周围加速度数据集合合/>可表示为:
(2)
其中:分别为历史加速度数据集合/>中历史加速度数据对应的周围加速度数据组;/>为周围加速度数据组的数量,也即历史加速度数据集合/>中历史加速度数据的数量。
将异常数据测点测得的历史加速度数据集合按时序整合形成历史加速度数据序列/>,以及将各个周围数据测点测得的周围加速度数据集合/>分别按时序整合形成周围加速度数据序列/>,结合所述历史加速度数据序列/>和周围加速度数据序列/>形成加速度数据序列矩阵/>,所述加速度数据序列矩阵/>可表示为:
(3)
S2:对加速度数据序列矩阵进行集合经验模态分解。
具体的,对所述加速度数据序列矩阵中的历史加速度数据序列/>和各周围加速度数据序列/>分别进行EEMD分解,得到多个IMF分量和RES分量,得到EEMD分解数据样本。由于LNG储罐的结构振动响应是随机的,其得到的加速度数据序列呈非平稳的上升或下降的趋势,因此,在本实施例中,采用EEMD算法对其进行分解,并利用高斯白噪声频谱均匀分布的特性,使得不同时间尺度的加速度数据在分解时可以自动分离到与其相适应的参考尺度上去,以此来补充分解时同一IMF分量中时间尺度的缺失,从而提高分解精度。
如图2所示,将所述历史加速度数据序列及其周围加速度数据序列记为原始加速度数据序列/>,对原始加速度数据序列/>进行集合经验模态分解的具体步骤为:
S201:设置分解次数。
具体的,设置原始加速度数据序列的分解次数/>s,将每次分解的原始加速度数据序列/>记为一组原始加速度数据序列,得到/>组原始加速度数据序列/>。
S202:叠加高斯白噪声。
在每组原始加速度数据序列中分别叠加一组不同幅值的高斯白噪声/>得到/>组第一加速度数据序列/>:
(4)
在原始加速度数据序列中叠加高斯白噪声的目的在于,所述高斯白噪声具有零均值特性,通过在分解的过程中多次引入均匀分布的高斯白噪声,可以将信号本身的噪声通过叠加的高斯白噪声掩盖过去,从而在分解的过程中能够得到更加精准的上包络线和下包络线,进而提高最终预测结果的精度。
S203:经验模态分解。
具体的,分别对每组第一加速度数据序列进行经验模态分解,得到每组第一加速度数据序列对应的imf分量和res分量。
如图3所示,所述步骤S203的具体步骤为:
S2031:计算第一加速度数据序列的上包络线和下包络线。
首先,筛选出第一加速度数据序列中所有的极大值点/>,采用三次样条函数将所有的极大值点/>拟合成所述第一加速度数据序列/>的上包络线/>;然后,再筛选出第一加速度数据序列/>中所有的极小值点/>,采用三次样条函数将所有的极小值点/>拟合成所述第一加速度数据序列/>的下包络线/>。
S2032:计算均值包络,分离均值包络得到第一残余加速度数据序列。
根据所述上包络线和下包络线/>计算所述第一加速度数据序列的均值包络/>:
(5)
基于上述公式(5)中求得的均值包络,计算所述第一加速度数据序列/>与均值包络之间/>之间的差值得到第一残余加速度数据序列/>:
(6)
S2033:第一残余加速度数据序列条件判定。
判断所述第一残余加速度数据序列是否满足imf分量成立的条件:
(1)在整个时程内,所述第一残余加速度数据序列上极大值点/>和极小值点/>的个数与过零点的个数相等或最多相差一个;
(2)在整个时程内,所述第一残余加速度数据序列上任意一点处的上包络线和下包络线/>的均值为零。
根据上述两个条件的判断,若满足imf分量成立的条件,则继续执行步骤S2034。
若不满足imf分量成立的条件,则将第一残余加速度数据序列/>作为步骤S2031中的第一加速度数据序列,重复执行步骤S2031-S2032,直至重复/>次后得到的第/>个加速度数据序列/>(其中:/>,/>为执行步骤S2031-S2032的次数,即/>为执行一次S2031-S2032步骤后得到的加速度数据序列,/>为执行/>次S2031-S2032步骤后得到的加速度数据序列)满足imf分量成立的条件为止。
S2034:分离imf分量,计算第一加速度数据序列的res分量。
将步骤S2033中得到的符合imf分量成立条件的加速度数据序列作为第一个imf分量,记为/>,并将该第一个imf分量/>从第一加速度数据序列/>中分离得到第一个res分量,即第一个剩余加速度数据序列/>:
(7)
S2035:res分量条件判定。
判断步骤S2034中分解得到的第一个剩余加速度数据序列是否为单调函数。
若是,则完成所述第一加速度数据序列的分解。
若不是,将该剩余加速度数据序列作为新的第一加速度数据序列重复执行步骤S2031-S2034,直至重复/>次得到的第/>个剩余加速度数据序列/>(其中:,/>为执行步骤S2031-S2034的次数,即/>为执行一次S2031-S2034步骤后得到的剩余加速度数据序列,/>为执行/>次S2031-S2034步骤后得到的剩余加速度数据序列)为单调函数为止。
根据EMD算法的收敛条件,当分解得到的剩余加速度数据序列为单调函数时,其时间周期将大于第一加速度数据序列的记录长度,因此可以将分解得到的最后一个剩余加速度数据序列/>作为第一加速度数据序列/>的趋势项,即RES分量,进而所述第一加速度数据序列/>可表示为:
(8)
S204:分别计算所述imf分量的平均值,得到IMF分量和RES分量。
重复执行步骤S202-S203,对所述原始加速度数据序列分解/>次,并计算分解后所有imf分量和res分量的平均值。
执行分解后所有imf分量的平均值可表示为:
(9)
执行分解后所有res分量的平均值可表示为:
(10)
由于高斯白噪声的频谱均匀分布,在进行集合经验模态分解的过程中。加速度数据序列上不同时间尺度的加速度数据会自动分布到合适的参考时间尺度上,基于呈正态分布的高斯白噪声的零均值特性,噪音经过多次的平均计算后会相互抵消,该均值可直接视作最终结果,并且平均次数越多,外部造成对分解的影响也就越小,由此,可以得到所述IMF分量为,以及所述RES分量为/>,因此,所述原始加速度数据序列/>可表示为:
(11)
由此,可以得到所述EEMD分解数据样本:
(12)
其中:,为每一加速度数据序列分解得到的IMF分量的数量;/>,为加速度数据序列矩阵/>中加速度数据序列的数量;即/>为第一个加速度数据序列的第一个IMF分量,/>为第二个加速度数据序列的第一个IMF分量,以此类推。
S3:构建MultiCNN神经网络模型。
在大规模的加速度数据预测中,从空间维度上来看,某一时刻的加速度数据与其周围的加速度数据存在关联,从时间维度上来时,某一时刻的加速度数据还同时与上一时刻以及未来的某一时刻均有关联,因此,在出现加速度数据的大规模缺失时,将过去的加速度数据影响因素和未来的加速度数据影响因素以及周围加速度数据与当前时刻的加速度数据预测联系起来,能够使得加速度预测数据更加准确,进而实现缺失数据的补全。为了提取信号不同维度的特征,结合多尺度卷积及并行卷积的方式构建MultiCNN神经网络模型。
如图4所示,所述MultiCNN神经网络模型包括一MultiCNN网络层和一全连接层,所述MultiCNN网络层包括多个并行的MultiCNN特征提取单元(即图4中的M-C),多个并行的MultiCNN特征提取单元通过卷积运算可对输入的EEMD分解数据样本以及历史加速度数据序列进行同步且不同维度的特征提取,再通过全连接层对不同维度的特征进行特征拼接及融合,以输出加速度预测数据。
如图5所示,每一所述MultiCNN特征提取单元均包括一卷积层和一池化层,所述卷积层采用多尺度卷积核对输入的EEMD分解数据样本和历史加速度数据进行特征提取,所述卷积核的尺寸可根据具体的预测精度确定,如:1×1、3×3、4×4……,进而通过卷积层的卷积运算提取到不同维度的特征;所述池化层根据卷积层提取的不同维度的特征,进一步对这些不同维度的特征进行处理,过滤掉冗余特征信息,以提取得到不同维度的特征序列。在本实施例中,所述池化层在过滤冗余特征信息时采用最大池化。
在本实施例中,通过设置不同尺度的卷积核来进行特征提取,在不增加卷积层层数的基础上即可对输入的加速度数据序列进行不同维度的特征提取,不仅简化了模型的结构,还能够提高模型处理的速度。
S4:MultiCNN神经网络模型训练。
具体的,将分解得到的EEMD分解数据样本和异常数据测点测得的历史加速度数据输入MultiCNN神经网络模型中进行不同维度的特征提取,预测得到当前时刻的加速度预测数据,并将该加速度预测数据反向输入MultiCNN神经网络模型中进行迭代训练,优化模型参数,得到训练好的MultiCNN神经网络模型。
如图6所示,所述步骤S4对所述MultiCNN神经网络模型训练的具体步骤为:
S401:定义损失函数,输入加速度数据序列。
具体的,定义所述MultiCNN神经网络模型的损失函数,然后将EEMD分解数据样本和异常数据测点测得的历史加速度数据输入MultiCNN神经网络模型中,以对MultiCNN神经网络模型进行训练。在本实施例中,所述损失函数采用均方误差函数,其表达式为:
(13)
其中:为/>时刻输入MultiCNN神经网络模型的IMF分量,/>为待预测LNG储罐在/>时刻的加速度预测数据,/>为模型训练时迭代的次数。
S402:提取周围加速度数据与异常数据测点之间不同维度的特征。
具体的,所述MultiCNN网络层通过并行的MultiCNN特征提取单元对输入的EEMD分解数据样本和异常数据测点测得的历史加速度数据进行不同维度特征提取,输出周围加速度数据与异常数据测点之间的相关性特征序列:
(14)
S403:输出加速度预测数据。
具体的,所述全连接层对MultiCNN网络层特征提取到的不同维度的特征(即相关性特征序列)进行特征融合,输出加速度预测数据/>。
S404:迭代训练,优化模型参数。
将加速度预测数据反向传递至MultiCNN神经网络模型中进行迭代训练,直至MultiCNN神经网络模型的损失函数趋于稳定或达到最大迭代次数时,完成训练,得到训练好的MultiCNN神经网络模型。
S5:加速度缺失数据补全。
如图7所示,采集LNG储罐的实时加速度数据,输入训练好的MultiCNN神经网络模型中,通过MultiCNN神经网络模型预测得到加速度预测数据,并当加速度数据缺失时,利用所述加速度预测数据对缺失的加速度数据进行补全。
本实施例中,采用EEMD算法对将加速度数据序列矩阵中加速度数据不同尺度的波动和趋势进行逐级分解,产生一系列具有不同特征尺度的数据序列,然后基于MultiCNN神经网络模型对加速度数据进行预测,通过设置不同尺度的卷积核来进行特征提取,在不增加卷积层层数的基础上即可对输入的加速度数据序列进行不同维度的特征提取,不仅简化了模型的结构,还能够提高模型处理的速度。
实施例二
如图8所示,为本实施例的LNG储罐加速度响应数据补全装置的系统框图,用于实现实施例一的LNG储罐加速度响应数据补全方法。本实施例的LNG储罐加速度响应数据补全装置包括数据采集模块1、数据筛选及整合模块2、数据分解模块3、模型构建模块4、模型训练模块5、预测数据输出模块6、数据补全模块7和显示模块8,以实现LNG储罐加速度响应数据的补全。
所述数据采集模块1用于采集LNG储罐的加速度数据并传输给数据筛选模块2,所述加速度数据包括历史加速度数据和实时加速度数据。在本实施例中,所述数据采集模块1优选为设置于LNG储罐的加速度传感器。
所述数据筛选及整合模块2用于确定异常数据测点,基于该异常数据测点筛选出所述异常数据测点的历史加速度数据以及异常数据测点对应的周围数据测点测得的周围加速度数据,并将筛选出历史加速度数据按时序整合成历史加速度数据序列,以及将各周围数据测点测得的周围加速度数据分别按时序整合成对应的周围加速度数据序列,最后将历史加速度数据序列和周围加速度数据序列进行组合形成加速度数据序列阵列后传输给数据分解模块3。
所述数据分解模块3用于对所述数据整合模块3传输的加速度数据序列阵列进行集合经验模态分解,得到多个IMF分量和一个RES分量,形成EEMD分解数据样本,并将所述EEMD样本数据输入模型训练模块5中进行模型训练。经过EEMD分解后的加速度数据序列阵列可表示为:
(15)
其中:为IMF分量,/>为IMF分量的数量,/>为RES分量。
由此,可以得到所述EEMD分解数据样本:
(16)
其中:,为每一加速度数据序列分解得到的IMF分量的数量;/>,为加速度数据序列矩阵/>中加速度数据序列的数量;即/>为第一个加速度数据序列的第一个IMF分量,/>为第二个加速度数据序列的第一个IMF分量,以此类推。
所述模型构建模块4用于构建MultiCNN神经网络模型,所述MultiCNN神经网络模型包括一MultiCNN网络层和一全连接层;所述MultiCNN网络层包括多个并行的MultiCNN特征提取单元,所述MultiCNN网络层对输入的EEMD分解数据样本和历史加速度数据通过卷积运算进行不同维度的特征提取,再通过全连接层对不同维度的特征进行特征融合,以输出加速度预测数据。每一所述MultiCNN特征提取单元均包括一卷积层和一池化层,所述卷积层采用多尺度卷积核对输入的EEMD分解数据样本和历史加速度数据进行特征提取,进而得到不同维度的特征;所述池化层消除冗余特征信息,以提取得到不同维度的特征序列。
所述模型训练模块5用于将数据分解模块3分解得到的EEMD分解数据样本和异常数据测点测得的历史加速度速度作为MultiCNN神经网络模型的输入,对加速度数据进行预测,并将预测得到的加速度预测数据反向传递至MultiCNN神经网络模型中进行迭代训练,直至所述MultiCNN神经网络模型的损失函数趋于稳定或达到最大迭代次数,即停止训练,得到训练好的MultiCNN神经网络模型。在本实施例中,所述损失函数采用均方误差函数。
所述预测数据输出模块6用于将数据采集模块采集1采集的实时加速度数据输入训练好的MultiCNN神经网络模型进行预测,并输出最终的加速度预测数据至缺失数据补全模块7和显示模块8中。
所述数据补全模块7用于在加速度数据缺失时,利用所述预测数据输出模块6传输的加速度预测数据对数据缺失的加速度数据进行补全。
所述显示模块8用于对所述预测数据输出模块6输出的加速度预测数据进行显示,以实现实现加速度预测数据可视化。
本实施例中,所述数据筛选及整合模块2、数据分解模块3、模型构建模块4、模型训练模块5、预测数据输出模块6、数据补全模块7和显示模块8均可集成于一计算机上,结构简单,且EEMD分解算法、MultiCNN模型对硬件和计算的处理要求均不高,大大降低了本装置的成本。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和本发明的实用性。
Claims (7)
1.一种LNG储罐加速度响应数据补全方法,其特征在于,包括
S1:采集LNG储罐上一系列加速度数据,确定异常数据测点,基于该异常数据测点得到加速度数据序列矩阵;
S2:采用集合经验模态分解算法将所述加速度数据序列矩阵分解为多个IMF分量和RES分量,得到EEMD分解数据样本;
S3:结合多尺度卷积及并行卷积的方式构建MultiCNN神经网络模型;
S4:定义MultiCNN神经网络模型的损失函数,将EEMD分解数据样本和对应的加速度数据输入MultiCNN神经网络中进行模型训练;
S5:采集LNG储罐的实时加速度数据,输入训练好的MultiCNN神经网络模型中进行预测,得到加速度预测数据;利用得到的加速度预测数据对异常或缺失的加速度数据进行补全;
在步骤S1中,基于异常数据测点得到加速度数据序列矩阵的具体方法为:
选择异常数据测点在数据出现异常或缺失时刻之前的历史加速度数据,以及选择所述异常数据测点设定范围内的周围数据测点测得的对应时刻的周围加速度数据,并将各个数据测点测得的历史加速度数据和周围加速度数据分别按时序整合成对应的加速度数据序列,进而组合形成加速度数据序列矩阵;
在步骤S2中,所述加速度数据序列矩阵中包含有历史加速度数据序列及其周围加速度数据序列,所述历史加速度数据序列及其周围加速度数据序列记为原始加速度数据序列,分别对各原始加速度数据序列矩阵进行集合经验模态分解,其具体步骤为:
S201:设置原始加速度数据序列的分解次数,每分解一次记为一组原始加速度数据序列,得到多组原始加速度数据序列;
S202:在每组原始加速度数据序列中分别叠加一组不同幅值的高斯白噪声得到多组第一加速度数据序列;
S203:分别对每组第一加速度数据序列进行经验模态分解,得到多组imf分量和res分量;
S204:分别计算所述imf分量的平均值,得到IMF分量和RES分量;
在步骤S203中,对所述第一加速度数据进行经验模态分解的具体步骤为:
S2031:筛选出第一加速度数据序列中所有的极大值点和极小值点,对所述极大值点和极小值点分别进行拟合得到所述第一加速度数据序列的上包络线和下包络线;
S2032:根据所述上包络线和下包络线计算所述第一加速度数据序列的均值包络,并计算所述第一加速度数据序列与均值包络之间的差值得到第一残余加速度数据序列;
S2033:判断所述第一残余加速度数据序列是否满足imf分量成立的条件,若满足,则执行步骤S2034,若不满足,则对所述第一残余加速度数据序列重复执行步骤S2031-S2032,直至重复次后得到的第/>个残余曲线满足imf分量成立的条件为止;
S2034:将第个残余加速度数据序列作为第一加速度数据序列的第一个imf分量,并将第一个imf分量从第一加速度数据序列中分离,得到第一res分量;
S2035:判断所述第一res分量是否为单调函数,若是,则完成分解,否则对所述第一res分量重复执行步骤S2031-S2034,直至重复次得到的第/>个剩余加速度数据序列为单调函数为止,所述第/>个剩余加速度数据序列即为第一加速度数据序列经过经验模态分解得到的res分量。
2.根据权利要求1所述的LNG储罐加速度响应数据补全方法,其特征在于,在步骤S2033中,所述imf分量成立的条件为:
在整个时程内,所述第一残余加速度数据序列上极大值点和极小值点的个数与过零点的个数相等或最多相差一个;
在整个时程内,所述第一残余加速度数据序列上任意一点处的上包络线和下包络线的均值为零。
3.根据权利要求1所述的LNG储罐加速度响应数据补全方法,其特征在于,在步骤S3中,所述MultiCNN神经网络模型包括一MultiCNN网络层和一全连接层,所述MultiCNN网络层包括多个并行的MultiCNN特征提取单元,所述MultiCNN网络层对输入的EEMD分解数据样本和历史加速度数据通过卷积运算进行不同维度的特征提取,再通过全连接层对不同维度的特征进行特征融合,以输出加速度预测数据。
4.根据权利要求3所述的LNG储罐加速度响应数据补全方法,其特征在于,每一所述MultiCNN特征提取单元均包括一卷积层和一池化层,所述卷积层采用多尺度卷积核对输入的EEMD分解数据样本和历史加速度数据进行特征提取,进而得到不同维度的特征;所述池化层消除冗余特征信息,以提取得到不同维度的特征序列。
5.根据权利要求4所述的LNG储罐加速度响应数据补全方法,其特征在于,所述步骤S4的具体步骤为:
S401:定义所述MultiCNN神经网络模型的损失函数,并将EEMD分解数据样本和异常数据测点测得的历史加速度数据输入MultiCNN神经网络模型中;
S402:所述MultiCNN网络层通过并行的MultiCNN特征提取单元对输入的EEMD分解数据样本和异常数据测点测得的历史加速度数据进行不同维度特征提取,输出周围加速度数据与异常数据测点之间的相关性特征序列;
S403:所述全连接层对输出不同维度的特征进行特征融合,输出加速度预测数据;
S404:将加速度预测数据反向传递至MultiCNN神经网络模型中进行迭代训练,直至损失函数趋于稳定或达到最大迭代次数时,完成训练,得到训练好的MultiCNN神经网络模型。
6.根据权利要求1所述的LNG储罐加速度响应数据补全方法,其特征在于,在步骤S4中,所述损失函数采用均方误差函数,其表达式为:
;
其中:为/>时刻输入MultiCNN神经网络模型的IMF分量,/>为LNG储罐在/>时刻的加速度预测数据,/>为模型训练时迭代的次数。
7.一种应用于如权利要求1~6任一项所述的LNG储罐加速度响应数据补全方法的LNG储罐加速度响应数据补全装置,其特征在于,包括:
数据采集模块,用于采集LNG储罐的加速度数据并传输给数据筛选模块;
数据筛选及整合模块,用于确定异常数据测点,基于该异常数据测点筛选出对应的历史加速度数据和周围加速度数据,并将筛选出的历史加速度数据和周围加速度数据按时序整合成加速度数据序列阵列传输给数据分解模块;
数据分解模块,用于对所述数据整合模块输出加速度数据序列阵列进行集合经验模态分解,得到多个IMF分量和一个RES分量,形成EEMD分解数据样本;
模型构建模块,用于构建MultiCNN神经网络模型,所述MultiCNN神经网络模型包括一MultiCNN网络层和一全连接层,所述MultiCNN网络层包括并行的多个MultiCNN特征提取单元,每一MultiCNN特征提取单元均可对输入的EEMD分解数据样本和历史加速度速度进行多尺度的特征提取,全连接层用于特征融合;
模型训练模块,用于将数据分解模块分解得到的EEMD分解数据样本和异常数据测点测得的历史加速度速度输入MultiCNN神经网络模型中进行迭代训练,得到训练好的MultiCNN神经网络模型;
预测数据输出模块,用于根据实时采集的加速度数据输出加速度预测数据;
数据补全模块,用于在加速度数据缺失时,利用所述加速度预测数据对数据缺失的加速度数据进行补全;以及
显示模块,用于对加速度预测数据进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111027194.0A CN113688771B (zh) | 2021-09-02 | 2021-09-02 | Lng储罐加速度响应数据补全方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111027194.0A CN113688771B (zh) | 2021-09-02 | 2021-09-02 | Lng储罐加速度响应数据补全方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688771A CN113688771A (zh) | 2021-11-23 |
CN113688771B true CN113688771B (zh) | 2024-04-05 |
Family
ID=78585022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111027194.0A Active CN113688771B (zh) | 2021-09-02 | 2021-09-02 | Lng储罐加速度响应数据补全方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688771B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111131424A (zh) * | 2019-12-18 | 2020-05-08 | 武汉大学 | 一种基于emd和多变量lstm相结合的服务质量预测方法 |
CN112215404A (zh) * | 2020-09-22 | 2021-01-12 | 广州大学 | 基于相空间重构和集合经验模态分解的预测方法及装置 |
WO2021004551A1 (zh) * | 2019-09-26 | 2021-01-14 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
CN112612001A (zh) * | 2020-11-30 | 2021-04-06 | 天津光电通信技术有限公司 | 一种基于bp神经网络算法的轨迹预测方法及装置 |
CN113076493A (zh) * | 2021-03-31 | 2021-07-06 | 北京达佳互联信息技术有限公司 | 电子地图兴趣点poi数据处理方法、装置及服务器 |
-
2021
- 2021-09-02 CN CN202111027194.0A patent/CN113688771B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021004551A1 (zh) * | 2019-09-26 | 2021-01-14 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
CN111131424A (zh) * | 2019-12-18 | 2020-05-08 | 武汉大学 | 一种基于emd和多变量lstm相结合的服务质量预测方法 |
CN112215404A (zh) * | 2020-09-22 | 2021-01-12 | 广州大学 | 基于相空间重构和集合经验模态分解的预测方法及装置 |
CN112612001A (zh) * | 2020-11-30 | 2021-04-06 | 天津光电通信技术有限公司 | 一种基于bp神经网络算法的轨迹预测方法及装置 |
CN113076493A (zh) * | 2021-03-31 | 2021-07-06 | 北京达佳互联信息技术有限公司 | 电子地图兴趣点poi数据处理方法、装置及服务器 |
Non-Patent Citations (2)
Title |
---|
an improved method based on EEMD-LSTM to predict missing measured data of structural sensors;zengshun chen等;applied sciences;20220808(第12期);1-26 * |
一种基于混沌理论和LSTM的GPS高程时间序列预测方法;李世玺;孙宪坤;尹玲;张仕森;;导航定位学报;20200220(第01期);65-73 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688771A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114323644A (zh) | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN104330255A (zh) | 一种基于多传感器信息融合的齿轮故障诊断方法 | |
CN117540174B (zh) | 基于神经网络的建筑结构多源异构数据智能分析系统及方法 | |
CN106021671B (zh) | 结合相关性关系和灰色聚类技术的电路健康分级评估方法 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
CN111721450B (zh) | 一种冲击定位识别装置及方法 | |
CN103876736A (zh) | 一种基于功率谱划分的复杂度谱脑电预测和诊断方法 | |
Moeinifard et al. | Lost vibration test data recovery using convolutional neural network: a case study | |
CN115185937A (zh) | 一种基于sa-gan架构的时间序列异常检测方法 | |
CN113688770B (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
CN114399064A (zh) | 基于多源传感器数据融合的设备健康指标构建方法 | |
CN111982256B (zh) | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 | |
Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
CN113688771B (zh) | Lng储罐加速度响应数据补全方法及装置 | |
CN115808627A (zh) | 一种锂电池soh预测方法及装置 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
CN112816122B (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 | |
CN114298101A (zh) | 一种动态称重方法及系统 | |
CN114266013A (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
CN113973403A (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
CN111177975A (zh) | 一种基于人工智能的航空装备可用度预计方法 |
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 |