CN116186609A - 一种基于lstm的载人潜水器传感器故障数据增强方法 - Google Patents

一种基于lstm的载人潜水器传感器故障数据增强方法 Download PDF

Info

Publication number
CN116186609A
CN116186609A CN202310215171.5A CN202310215171A CN116186609A CN 116186609 A CN116186609 A CN 116186609A CN 202310215171 A CN202310215171 A CN 202310215171A CN 116186609 A CN116186609 A CN 116186609A
Authority
CN
China
Prior art keywords
data
sensor
fault
network
lstm
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.)
Pending
Application number
CN202310215171.5A
Other languages
English (en)
Inventor
王洪君
张笑晗
赵朋辉
赵元琪
程野
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202310215171.5A priority Critical patent/CN116186609A/zh
Publication of CN116186609A publication Critical patent/CN116186609A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明公开了一种基于LSTM的载人潜水器传感器故障数据增强方法，所述数据增强方法使用深度学习网络，训练相似领域故障数据的深度学习模型，提取相应故障特征，最后用数据增强训练好的网络训练实际深海载人潜水器数据，达到故障迁移诊断的目的。该发明有效解决载人潜水器传感系统故障数据稀缺的问题，相似数据预训练配合使用正常数据进行训练，会使得网络训练速度加快，且充分包含传感器特征，最大限度保证生成结果不会偏离，同时在隐藏层加入判别器，只参照信号本身形式不够，加入隐变量训练增加特征提取的准确性，使用LSTM网络进行编解码作为、网络模型，专门处理时序网络，使得数据更加准确。

Description

一种基于LSTM的载人潜水器传感器故障数据增强方法
技术领域
本发明涉及传感器故障诊断相关技术领域，具体为一种基于LSTM的载人潜水器传感器故障数据增强方法。
背景技术
大深度载人潜水器是深海资源调查开发的重要手段，深海载人潜水器是当前海洋发展的前沿领域之一，代表着一个国家在材料、控制和海洋学科方面的综合科技实力，深海载人潜水器能够承载科学工作者与各种监测装置、特种设备进行监测考察以及深海搜救捕捞等，是开发和利用深海资源的重要技术手段，而潜水器在水下作业时由于潜水器停机造成的人员安全威胁和经济损失，深海载人潜水器的故障探测已成为潜水任务执行过程中最重要的任务之一。
近年来，深度学习相关算法在信号检测领域的流行程度呈指数级增长，这些领域的主要挑战是从处理后的数据中提取有意义的信息，包括故障警示记录信息等，现有如中国专利公开号为CN109579896A的基于深度学习的水下机器人传感器故障诊断方法及装置，通过深度学习模型的方式提高水下机器人传感器的故障诊断的精确度，而所有这些算法都需要大量的数据来训练模型。在深海载人潜水器上，现有的故障数据采集故障类型较少，且深海下感兴趣目标状态空间信息难以有效建模并实时监测，因此，目前相关模型训练更依赖于传感器的测试模型，训练模型所需的传感器数据是非常复杂的，由于缺乏标准数据集，数据的可访问性阻碍了特定任务的学习模型增长，在深海环境下，共享物理传感器数据是极其困难的，并受到制造商的法律保护。
即现有的载人潜水器传感系统还存在问题包括故障采集样本量有限，数据集不平衡，故障数据稀缺。由于在实验过程中需要模拟下潜真实工作状态下的种种故障，潜水器故障频率较低，过于频繁的进行数据采集对数据采集系统有一定程度的损伤，故采集的样本量有限，同时高维传感器冗余。潜水传感系统的原始数据维数较高，但冗余的特征变量会给故障检测带来挑战，导致过拟合的增加。鉴于此，针对上述问题，深入研究，遂有本案产生。
针对上述问题，在原有基于深度学习的载人潜水器传感器故障诊断系统的基础上进行创新设计。
发明内容
本发明的目的在于提供一种基于LSTM的载人潜水器传感器故障数据增强方法，以解决上述背景技术中提出故障采集样本量有限，数据集不平衡，高维传感器数据冗余的问题。
为实现上述目的，本发明提供如下技术方案：一种基于LSTM的载人潜水器传感器故障数据增强方法，所述数据增强方法使用深度学习网络，训练相似领域故障数据的深度学习模型，提取相应故障数据特征，最后用数据增强训练好的网络训练实际深海载人潜水器故障数据，以达到数据增强目的，具体步骤如下：
步骤1，收集其他领域的故障数据Fs；
步骤2，将Fs通过N1网络映射到隐空间latent；
步骤3，将隐空间数据通过N2映射成原始数据类型Fs’；
步骤4，根据前向传播的loss值的大小，来进行反向传播迭代更新每一层的权重；
步骤5，将高斯白噪声同样通过N1网络映射到隐空间latent；
步骤6，与标准GAN过程类似，将Fs通过N1网络映射到隐空间latent压缩后值同将高斯白噪声同样通过N1网络映射到隐空间latent压缩后值输入到判别器D，同时反向传播迭代更新每一层的权重；
步骤7，训练好的网络N1、N2，使用真实的小样本故障数据FT及真实的正常数据NT分别输入到N1网络中，得到隐藏层数据；
步骤8，在隐藏层数据中分别对正常数据和故障数据加判别器D1，使用损失函数对其进行反馈；
步骤9，将数据分别输入到N2网络中，映射成原始数据；
步骤10，将步骤8数据输入到判别器D2中，使用损失函数对其进行反馈。
优选的，所述步骤1中数据集包括网络攻击、机械故障传感器类型故障数据集，将数据集转化为csv格式作为该模型的输入。
优选的，所述N1、N2网络模型使用LSTM网络进行编解码专门处理时序网络获得准确数据。
优选的，所述LSTM网络在现有基础上进行改进，深海载人潜水器数据作为一维数据可以直接输入到LSTM层，利用LSTM层对数据进行分类；
所述LSTM层，通过遗忘门、输入门、输出门的选择进一步提取出时间序列特征，最后通过Softmax层分类输出信号；
模型的损失函数采用交叉熵损失函数，梯度下降采用Adam优化器。
优选的，所述载人潜水器的传感器包括电机和各个操纵舵系统的传感器，
所述传感器的故障数据系统包括用于采集载人潜水器的传感器参数数据、电机数据和操纵舵数据的输入单元；
用于特征提取传感器参数数据的提取单元；
用于处理载人潜水器的传感器参数数据、电机数据和操纵舵数据的处理单元；
用于给出预估目标参数的预估单元；
用于对比预估目标参数和实际目标参数判断潜水器故障的判断单元。
优选的，所述数据增强训练好的网络应用于传感器的故障数据系统时具体包括如下步骤：
步骤a，所述载人潜水器的电机和各个操纵舵系统的传感器获取深海载人潜水器的状态数据；
步骤b，所述传感器系统的传感器参数数据、电机数据和操纵舵数据的输入单元将获取到的深海传感器的状态数据输入深度学习模型；
步骤c，所述特征提取传感器参数数据的提取单元对数据进行特征提取，并对目标参数进行预估，配合给出预估目标参数的预估单元得到目标参数预估值；
步骤d，深度学习模型配合用于对比预估目标参数和实际目标参数判断潜水器故障的判断单元根据输入的状态数据和目标参数预估值，输出是否存在故障的深海传感器，若存在故障的深海传感器，则输出存在有故障的深海传感器的信息。
与现有技术相比，本发明的有益效果是：该基于LSTM的载人潜水器传感器故障数据增强方法，使用深度学习网络，训练相似领域故障数据的深度学习模型，通过使用其他领域的故障数据对目标网络进行预训练，提取相应深度学习特征，最后用数据增强训练好的网络训练实际深海载人潜水器数据，有效解决载人潜水器传感系统故障数据稀缺的问题，本方案的进一步优点如下：
1.本发明能够根据训练好的深度学习模型，更快更准确的产生深海故障数据，为进一步的异常检测训练打好基础；
2.步骤6中，使用正常数据进行训练，会使得网络训练速度加快，且充分包含传感器特征，最大限度保证生成结果不会偏离；
3.步骤7中在隐藏层加入判别器，只参照信号本身形式不够，加入隐变量训练增加特征提取的准确性；
4.使用LSTM网络进行编解码作为、网络模型，专门处理时序网络，使得数据更加准确。
附图说明
图1为本发明正面数据增强方法整体流程示意图；
图2为本发明网络模型应用流程示意图；
图3为本发明步骤1至步骤6示意简图；
图4为本发明步骤7至步骤10示意简图。
实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1-4，本发明提供一种技术方案：一种基于LSTM的载人潜水器传感器故障数据增强方法，所述数据增强方法使用深度学习网络，训练相似领域故障数据的深度学习模型，提取相应故障数据特征，最后用数据增强训练好的网络训练实际深海载人潜水器故障数据，以达到数据增强目的，具体步骤如下：
步骤1，收集其他领域的故障数据Fs；
其他领域的故障数据采集的目的是使用其他领域的故障数据对目标网络进行预训练，数据集包括：
轴承模拟疲劳损伤实验数据集：http://www.52phm.cn/blog/detail/50；
IEEE PHM 2012数据竞赛数据：http://www.52phm.cn/blog/detail/51；
电机故障诊断数据集：http://www.52phm.cn/blog/detail/64；
液压装置状态评估数据集：http://www.52phm.cn/blog/detail/72；
将数据集转化为csv格式作为该模型的输入；
步骤2，将Fs通过N1网络映射到隐空间latent；
步骤3，将隐空间数据通过N2映射成原始数据类型Fs’；
步骤4，根据前向传播的loss值的大小，来进行反向传播迭代更新每一层的权重；
步骤5，将高斯白噪声同样通过N1网络映射到隐空间latent；
步骤6，与标准GAN过程类似，将Fs通过N1网络映射到隐空间latent压缩后值同将高斯白噪声同样通过N1网络映射到隐空间latent压缩后值输入到判别器D，同时反向传播迭代更新每一层的权重；
步骤7，训练好的网络N1、N2，使用真实的小样本故障数据FT及真实的正常数据NT分别输入到N1网络中，得到隐藏层数据；
步骤8，在隐藏层数据中分别对正常数据和故障数据加判别器D1，使用损失函数对其进行反馈；
步骤9，将数据分别输入到N2网络中，映射成原始数据；
步骤10，将步骤8数据输入到判别器D2中，使用损失函数对其进行反馈。
N1、N2网络模型使用LSTM网络进行编解码专门处理时序网络获得准确数据，LSTM网络在现有基础上进行改进，深海载人潜水器数据作为一维数据可以直接输入到LSTM层，利用LSTM层对数据进行分类，LSTM层，通过遗忘门、输入门、输出门的选择进一步提取出时间序列特征，最后通过Softmax层分类输出信号，模型的损失函数采用交叉熵损失函数，梯度下降采用Adam优化器。
载人潜水器的传感器包括电机和各个操纵舵系统的传感器，传感器的故障数据系统包括用于采集载人潜水器的传感器参数数据、电机数据和操纵舵数据的输入单元；用于特征提取传感器参数数据的提取单元；用于处理载人潜水器的传感器参数数据、电机数据和操纵舵数据的处理单元；用于给出预估目标参数的预估单元；用于对比预估目标参数和实际目标参数判断潜水器故障的判断单元。
数据增强训练好的网络应用于传感器的故障数据系统时具体包括如下步骤：
步骤a，载人潜水器的电机和各个操纵舵系统的传感器获取深海载人潜水器的状态数据；
步骤b，传感器系统的传感器参数数据、电机数据和操纵舵数据的输入单元将获取到的深海传感器的状态数据输入深度学习模型；
步骤c，特征提取传感器参数数据的提取单元对数据进行特征提取，并对目标参数进行预估，配合给出预估目标参数的预估单元得到目标参数预估值；
步骤d，深度学习模型配合用于对比预估目标参数和实际目标参数判断潜水器故障的判断单元根据输入的状态数据和目标参数预估值，输出是否存在故障的深海传感器，若存在故障的深海传感器，则输出存在有故障的深海传感器的信息。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术，尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于LSTM的载人潜水器传感器故障数据增强方法，所述数据增强方法使用深度学习网络，训练相似领域故障数据的深度学习模型，提取相应故障数据特征，最后用数据增强训练好的网络训练实际深海载人潜水器故障数据，以达到数据增强目的，具体步骤如下：
步骤1，收集其他领域的故障数据Fs；
步骤2，将Fs通过N1网络映射到隐空间latent；
步骤3，将隐空间数据通过N2映射成原始数据类型Fs’；
步骤4，根据前向传播的loss值的大小，来进行反向传播迭代更新每一层的权重；
步骤5，将高斯白噪声同样通过N1网络映射到隐空间latent；
步骤6，与标准GAN过程类似，将Fs通过N1网络映射到隐空间latent压缩后值同将高斯白噪声同样通过N1网络映射到隐空间latent压缩后值输入到判别器D，同时反向传播迭代更新每一层的权重；
步骤7，训练好的网络N1、N2，使用真实的小样本故障数据FT及真实的正常数据NT分别输入到N1网络中，得到隐藏层数据；
步骤8，在隐藏层数据中分别对正常数据和故障数据加判别器D1，使用损失函数对其进行反馈；
步骤9，将数据分别输入到N2网络中，映射成原始数据；
步骤10，将步骤8数据输入到判别器D2中，使用损失函数对其进行反馈。
2.根据权利要求1所述的一种基于LSTM的载人潜水器传感器故障数据增强方法，其特征在于：所述步骤1中数据集包括网络攻击、机械故障传感器类型故障数据集，将数据集转化为csv格式作为该模型的输入。
3.根据权利要求1所述的一种基于LSTM的载人潜水器传感器故障数据增强方法，其特征在于：所述N1、N2网络模型使用LSTM网络进行编解码专门处理时序网络获得准确数据。
4.根据权利要求3所述的一种基于LSTM的载人潜水器传感器故障数据增强方法，其特征在于：所述LSTM网络在现有基础上进行改进，深海载人潜水器数据作为一维数据可以直接输入到LSTM层，利用LSTM层对数据进行分类；
所述LSTM层，通过遗忘门、输入门、输出门的选择进一步提取出时间序列特征，最后通过Softmax层分类输出信号；
模型的损失函数采用交叉熵损失函数，梯度下降采用Adam优化器。
5.根据权利要求1所述的一种基于LSTM的载人潜水器传感器故障数据增强方法，其特征在于：所述载人潜水器的传感器包括电机和各个操纵舵系统的传感器，
所述传感器的故障数据系统包括用于采集载人潜水器的传感器参数数据、电机数据和操纵舵数据的输入单元；
用于特征提取传感器参数数据的提取单元；
用于处理载人潜水器的传感器参数数据、电机数据和操纵舵数据的处理单元；
用于给出预估目标参数的预估单元；
用于对比预估目标参数和实际目标参数判断潜水器故障的判断单元。
6.根据权利要求1所述的一种基于LSTM的载人潜水器传感器故障数据增强方法，其特征在于：所述数据增强训练好的网络应用于传感器的故障数据系统时具体包括如下步骤：
步骤a，所述载人潜水器的电机和各个操纵舵系统的传感器获取深海载人潜水器的状态数据；
步骤b，所述传感器系统的传感器参数数据、电机数据和操纵舵数据的输入单元将获取到的深海传感器的状态数据输入深度学习模型；
步骤c，所述特征提取传感器参数数据的提取单元对数据进行特征提取，并对目标参数进行预估，配合给出预估目标参数的预估单元得到目标参数预估值；
步骤d，深度学习模型配合用于对比预估目标参数和实际目标参数判断潜水器故障的判断单元根据输入的状态数据和目标参数预估值，输出是否存在故障的深海传感器，若存在故障的深海传感器，则输出存在有故障的深海传感器的信息。
CN202310215171.5A 2023-03-08 2023-03-08 一种基于lstm的载人潜水器传感器故障数据增强方法 Pending CN116186609A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310215171.5A CN116186609A (zh) 2023-03-08 2023-03-08 一种基于lstm的载人潜水器传感器故障数据增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310215171.5A CN116186609A (zh) 2023-03-08 2023-03-08 一种基于lstm的载人潜水器传感器故障数据增强方法

Publications (1)

Publication Number Publication Date
CN116186609A true CN116186609A (zh) 2023-05-30

Family

ID=86446225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310215171.5A Pending CN116186609A (zh) 2023-03-08 2023-03-08 一种基于lstm的载人潜水器传感器故障数据增强方法

Country Status (1)

Country Link
CN (1) CN116186609A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710759A (zh) * 2024-02-06 2024-03-15 青岛哈尔滨工程大学创新发展中心 一种载人潜器故障和寿命预测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710759A (zh) * 2024-02-06 2024-03-15 青岛哈尔滨工程大学创新发展中心 一种载人潜器故障和寿命预测系统及方法
CN117710759B (zh) * 2024-02-06 2024-04-26 青岛哈尔滨工程大学创新发展中心 一种载人潜器故障和寿命预测系统及方法

Similar Documents

Publication Publication Date Title
CN112629863B (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN109580215B (zh) 一种基于深度生成对抗网络的风电传动系统故障诊断方法
CN111651937B (zh) 变工况下类内自适应轴承故障诊断方法
CN110781592B (zh) 一种设备剩余寿命的预测方法及系统
CN111022313A (zh) 一种基于lstm的海洋平台空气压缩机故障诊断方法
CN113505664A (zh) 一种风电机组行星齿轮箱故障诊断方法
CN116186609A (zh) 一种基于lstm的载人潜水器传感器故障数据增强方法
CN111695413A (zh) 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置
CN114781450B (zh) 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN117591857A (zh) 一种基于深度学习的电机检测方法
CN116007937A (zh) 一种机械设备传动部件智能故障诊断方法及装置
CN117493980B (zh) 一种集成特征提取和排序因果发现的轴承故障诊断方法
CN116756881B (zh) 一种轴承剩余使用寿命预测方法、装置及存储介质
CN117909800A (zh) 基于可解释的隐式扩散模型的旋转机械设备故障诊断方法
CN116680639A (zh) 一种基于深度学习的深海潜水器传感器数据的异常检测方法
Gu et al. Research on prediction of remaining useful life of underwater turntable based on slow feature analysis
CN114199992B (zh) 一种储油罐罐壁腐蚀检测方法及系统
CN116244596A (zh) 基于tcn和注意力机制的工业时序数据异常检测方法
CN115270875A (zh) 一种基于深度学习的隔膜泵运行状态监测方法
CN114239402A (zh) 基于优化胶囊网络的核动力循环水泵故障诊断方法及系统
CN113888380A (zh) 一种人员落水轨迹预测方法、装置、设备和介质
Liu et al. Data‐Driven Approaches for Diagnosis of Incipient Faults in Cutting Arms of the Roadheader
Liu et al. Noisy labels co-detection and co-relabeling twin prototype networks for fault diagnosis of wind turbine gearboxes

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