CN118260668A - 一种基于Seq2Seq的重力波仪故障检测模型及方法 - Google Patents
一种基于Seq2Seq的重力波仪故障检测模型及方法 Download PDFInfo
- Publication number
- CN118260668A CN118260668A CN202410288801.6A CN202410288801A CN118260668A CN 118260668 A CN118260668 A CN 118260668A CN 202410288801 A CN202410288801 A CN 202410288801A CN 118260668 A CN118260668 A CN 118260668A
- Authority
- CN
- China
- Prior art keywords
- data
- vector
- wave instrument
- fault
- output
- 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
Links
- 230000005484 gravity Effects 0.000 title claims abstract description 113
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 101100001669 Emericella variicolor andD gene Proteins 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 239000008358 core component Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明涉及一种基于Seq2Seq的重力波仪故障检测模型及方法,涉及气象设备故障检测计算机应用技术领域。所述重力波仪故障检测模型由输入层、编码器、解码器、输出层和全连接层组成。所述方法基于自注意力增强的GRU进行Seq2Seq自编码器的构建,在编码阶段,编码器接收重力波仪多元时间序列数据,将隐藏状态序列的最后一个向量作为编码向量,输出给解码器层。在解码阶段,将输出序列作为重构向量输出给输出层。如果重构误差超出设定阈值则判定重力波仪为故障状态,并将编码向量送入到全连接层进行故障类别判定,最后输出一个故障类别概率分布。本发明智能的故障判定方式有效地结合了特征学习和误差计算,提升了故障检测的准确性和可靠性。
Description
技术领域
本发明涉及气象设备故障检测计算机应用技术领域,具体为一种基于Seq2Seq的重力波仪故障检测方法。
背景技术
重力波仪气象设备的极高精度需求、独特监测原理和复杂的运行环境使其运行极其敏感和易出现故障,导致观测中断甚至错误。目前重力波仪故障检测仍然面临以下问题:首先,重力波仪有复杂的系统结构和运行条件,重力波仪由三个子系统构成,每个子系统都包含多个部件和传感器,这使得系统可能误报故障或未能准确检测真实故障;其次,重力波仪状态监测数据量庞大和数据维度高,重力波仪工作过程中需要连续不断地采集和存储大量的数据,这些数据具有高维度和多变性,要从中提取故障特征和模式需要一定的技术和算法支持;最后,重力波仪故障数据样本不足,虽然重力波仪是一个复杂的系统,但是故障样本少,这使得故障检测和诊断难度加大。针对以上问题,有研究者提出了一种基于贡献度分析和监督学习的重力波仪线性故障检测方法。该方法通过分析不同部件之间的特征关系,识别出线性故障,并使用监督学习算法为实际数据集建模,提取出故障特征。但是该方法需要足够的训练数据,对于非线性故障检测和诊断不够适用。有研究者提出了一种基于时间序列分析和卷积神经网络(CNN)的重力波仪故障检测方法。该方法将故障数据转化为二维图像,使用CNN提取故障特征和模式,达到高精度的检测效果。但是该方法对于故障多发、多时相和多类别检测仍有一定局限性。有研究者提出一种基于几何深度学习的重力波仪故障检测方法。该方法利用几何深度学习的方法提取高维数据特征,对故障样本进行拓扑学习,实现高效低维度故障分类和检测。但是该方法需要大量的故障数据来训练模型,对数据稀疏的情形检测效果不佳。
发明内容
本发明所要解决的技术问题是:
目前在故障检测方面仍存在故障特征提取困难、多分类故障识别困难等问题,针对以上问题,本发明提出了一种基于Seq2Seq自编码器的重力波仪故障检测方法。该方法基于自注意力增强的GRU进行Seq2Seq自编码器的构建,在编码阶段,编码器接收重力波仪多元时间序列数据,将隐藏状态序列的最后一个向量作为编码向量,输出给解码器层。在解码阶段,将输出序列作为重构向量输出给输出层。如果重构误差超出设定阈值则判定重力波仪为故障状态,并将编码向量送入到全连接层进行故障类别判定,最后输出一个故障类别概率分布。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于Seq2Seq的重力波仪故障检测模型,其特征在于,所述重力波仪故障检测模型由输入层、编码器、解码器、输出层和全连接层组成;
所述输入层接收重力波仪多元时间序列数据,作为模型的输入;输入层的输出是重力波仪数据序列,作为编码器和解码器的输入;
在编码阶段,编码器接收重力波仪多元时间序列数据,将隐藏状态序列的最后一个向量作为编码向量,输出给解码器层;在解码阶段,将输出序列作为重构向量输出给输出层;如果重构误差超出设定阈值则判定重力波仪为故障状态,并将编码向量送入到全连接层进行故障类别判定,最后输出一个故障类别概率分布。
一种基于Seq2Seq的重力波仪故障检测方法,其特征在于包括:
采集重力波仪数据;对采集的重力波仪数据进行预处理得到重力波仪多元时间序列数据;
将重力波仪多元时间序列数据输入到重力波仪故障检测模型,在编码阶段,编码器接收重力波仪多元时间序列数据;将编码器的当前输入和隐藏状态送入一个自注意力增强的GRU单元,计算下一个隐藏状态和输出,重复这个过程,直到处理完输入的所有重力波仪数据,得到一个隐藏状态序列;将隐藏状态序列的最后一个向量作为编码向量,输出给解码器层;
在解码阶段,将编码向量作为解码器的初始隐藏状态,同时将一个特殊的开始符号作为解码器层的初始输入;将解码器层的当前输入和隐藏状态送入一个自注意力增强的GRU单元,计算下一个隐藏状态和输出,重复这个过程,直到输出一个特殊的结束符号或者达到一个最大长度,得到一个输出序列;将输出序列作为重构向量,输出给输出层;在输出层,将输入的重力波仪多元时间序列数据和重构向量对齐,使得输入数据和重构向量的长度相同;
计算重构误差,如果重构误差超出设定阈值则判定重力波仪为故障状态,并将编码向量送入到全连接层进行故障类别判定,最后输出一个故障类别概率分布。
本发明进一步的技术方案:所述采集的重力波仪数据来源于转动温度光谱测量子系统、大视场重力波仪成像子系统、精细光谱检测子系统、CCD相机、滤光轮、TEC空调;以及环境参数。
本发明进一步的技术方案:所述对采集的重力波仪数据进行预处理包括原始数据进行数据分类、删除冗余数据、填充缺失数据、合并数据集、筛选数据特征和数据标准化。
本发明进一步的技术方案:所述重构误差计算公式如下:
其中,E为重构误差,xti和分别表示xt和的第i个元素,d是输入数据的特征维度,T为输入序列的长度。
一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现上述的方法。
本发明的有益效果在于:
本发明建立在对重力波仪正常运行情况下,旨在提供一种有效的重力波仪故障检测方法。重力波仪故障检测方法采用了编码器-解码器结构,通过协同作用,完成对重力波仪状态进行精确缝隙建模。在这一模型中,编码器负责将多元时间序列数据转换为高级别的特征表示,而解码器则通过重构这些特征,实现对重力波仪状态的还原,从而为故障检测提供有力支持。故障检测模型通过学习重力波仪正常和故障状态的特征,以及计算重构向量与输入数据序列的误差,为故障判定提供了可靠依据。这个过程相当于模型通过学习正常状态下的数据特征,能够捕捉到不同状态下的数据模式,进而判断是否存在故障。通过设置预设的阈值,一旦重构误差超过该阈值,便可判定重力波仪发生了故障,并进一步确定故障的具体类别。这种智能的故障判定方式有效地结合了特征学习和误差计算,提升了故障检测的准确性和可靠性。
重力波仪故障检测模型的创新之处不仅在于技术上的突破,同时也显著拓展了重力波仪故障检测的应用前景。与传统的手段相比,该模型不仅提高了准确性和效率,而且在实际应用中展现了广泛的潜力。这种技术的引入不仅为重力波仪故障检测领域带来了创新,也在实践中展现出多方面的益处。从技术角度看,该模型的优势体现在其对重力波仪状态建模的高度精确性。通过编码器的特征提取和解码器的重构过程,模型能够更全面地理解重力波仪的运行状态,从而更准确地检测潜在的故障。此外,采用自注意力机制增强的GRU单元,有助于更好地捕捉重力波仪数据序列中的时序信息和关键特征,进一步提升了模型的性能。在实际应用方面,该技术不仅提高了故障检测的准确性和效率,还为重力波仪的长期稳定运行提供了可靠的技术保障;通过及时发现和判定故障,可以采取相应的维护和修复措施,降低了设备运行异常的时间,从而延长了设备的寿命,提高了设备的可靠性和稳定性。总的来说,该重力波仪故障检测模型不仅在技术上具备前瞻性和创新性,而且在实际应用中展现出显著的益处。该方法也为重力波仪的维护管理提供了一种先进而可靠的方法,本发明不仅可应用于重力波仪气象设备,而且也可应用于一般设备故障建模分析,可为设备长期稳定运行和远程维护提供可靠的技术支持。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1重力波仪故障检测模型示意图。
图2重力波仪数据预处理流程图。
图3重力波仪冗余数据示例。
图4重力波仪故障分析树示意图。
图5重力波仪故障检测流程图。
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,以下结合附图和实施例,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用以解释本发明,并不用于限定本发明。此外,下面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。
重力波仪的工作状态直接影响着重力波的探测效果。然而,在实际运行过程中,重力波仪可能会发生各种故障,如电压的不稳定、环境的干扰等,这些因素或者故障会导致重力波仪的性能下降,甚至会破坏重力波观测数据的完整性。因此,重力波仪的故障检测是确保重力波仪持续稳定运行的重要措施。针对重力波仪的故障检测问题,本发明提出了一种基于Seq2Seq自编码器的重力波仪故障检测方法。首先,编码器负责将重力波仪多元时间序列数据编码成高级别的特征表示,解码器则通过对编码后的特征进行重构,实现了对重力波仪状态的建模;在编码和解码的过程中,采用自注意力机制增强的GRU单元提高对重力波仪数据序列的时序信息和重要特征的关注度,有助于更准确地捕捉重力波仪的运行状态;最后,故障检测模型通过学习重力波仪正常和故障状态的特征,计算重构向量与输入的重力波仪数据序列的误差;如果重构误差超过预设的阈值,则判定重力波仪发生了故障,并确定重力波仪故障类别。基于Seq2Seq自编码器的重力波仪故障检测模型结构如图1所示。
根据图1所示,基于Seq2Seq自编码器的重力波仪故障检测模型由输入层、编码器、解码器、输出层和全连接层组成。输入层接收重力波仪多元时间序列数据,作为模型的输入。输入层的输入是一个重力波仪多元时间序列X={x1,x2,...,xT},其中xt∈Rd是一个d维的特征向量,表示重力波仪在第t个时间点的状态,T是输入序列的长度。输入层的输出是重力波仪数据序列X,作为编码器和解码器的输入。
在编码阶段,编码器接收重力波仪多元时间序列数据X。首先,将重力波仪数据X作为输入,每个数据点xt=(xt1,xt2,...,xtd)包含多个特征,如环境温度、环境湿度、工作电压值等,d是重力波仪数据特征的维度,将每个特征向量作为编码器的初始输入。然后,将编码器的当前输入和隐藏状态送入一个自注意力增强的GRU单元,计算下一个隐藏状态和输出,重复这个过程,直到处理完输入的所有重力波仪数据,得到一个隐藏状态序列H={h1,h2,...,hT},其中ht∈Rh是一个h维的隐藏状态向量,T是输入的重力波仪数据序列的长度。最后,将隐藏状态序列H的最后一个向量hT作为编码向量,输出给解码器层。
在解码阶段,首先将编码向量hT∈Rh作为解码器的初始隐藏状态,同时将一个特殊的开始符号<s>作为解码器层的初始输入。然后,将解码器层的当前输入和隐藏状态送入一个自注意力增强的GRU单元,计算下一个隐藏状态和输出,重复这个过程,直到输出一个特殊的结束符号</s>,或者达到一个最大长度T′,得到一个输出序列Y={y1,y2,...,yT′},其中yt∈Rd是一个d维的输出向量,T′是输出序列的长度且满足T′≤T。最后,将输出序列Y作为重构向量,输出给输出层。
本发明检测方法包括以下步骤:
步骤一:重力波仪数据采集
本发明数据集的来源为重力波仪运行的历史数据,重力波仪有三个子系统和三个核心部件,数据的采样频率为每3分钟一次。
重力波仪有三个子系统,分别是转动温度光谱测量子系统、大视场重力波仪成像子系统和精细光谱检测子系统,三个子系统分别采集所在分支电路上的电压、电流等数据和子系统处的环境温湿度等环境数据。三个子系统采集数据指标如表1所示,主要采集子系统的电压、电流、环境温湿度及环境噪声等。
表1重力波仪子系统数据采集表
在重力波仪的三个子系统中,每个子系统有两个核心部件,分别是CCD相机和滤光轮,此外重力波仪系统还有一个核心部件TEC空调,因此重力波仪系统需要采集数据的核心部件共有三个,采集数据指标如表2所示。
表2重力波仪子系统数据采集表
环境因素对重力波仪的正常运行也有着非常重要的影响,因此重力波仪采集数据时也需要考虑环境因素,需要的采集的环境参数有环境温度、环境湿度等,如表3所示。
表3重力波仪的环境参数表
根据重力波仪数据采集需求可知,重力波仪原始数据是一个多元时间序列,重力波仪第t个时刻的采集数据xt表示为:
xt=(xt1,xt2,...,xtd) (1.1)
其中,d是重力波仪数据特征的维度,比如环境温度、环境湿度、工作电压值等。重力波仪多元时间序列数据表示如下:
X={x1,x2,...,xT} (1.2)
式中,T是时间序列的长度。
步骤二:重力波仪数据预处理
重力波仪数据的质量,直接决定了故障检测和故障预测模型的效果。然而,从重力波仪采集的数据中包含了冗余数据、缺失数据、故障数据和正常数据。因此,首先需要对重力波仪数据进行预处理,重力波仪数据预处理包含对原始数据进行数据分类、删除冗余数据、填充缺失数据、合并数据集、筛选数据特征和数据标准化等操作。重力波仪数据预处理流程图如图2所示。
根据图2所示,采集到重力波仪原始数据后,首先需要将原始数据进行分类并删除数据中的冗余数据,以提高数据的质量和有效性。然后使用本发明提出的数据补全模型对缺失数据进行补全。最后,对补全后的数据进行特征筛选和标准化,以降低数据的维度和复杂度,同时消除数据的量纲和尺度差异,便于后续的数据分析和建模。数据预处理流程如下:
(1)数据分类
从重力波仪运行状态角度可以给出数据的分类,将重力波仪数据分为正常数据、冗余数据、缺失数据、故障数据等。如果某些数据点或者数据段不满足重力波仪正常工作状态曲线的一般规律,那么这些点就被称为故障数据。重力波仪数据是通过传感器系统来获取,数据的采集过程主要包括数据的测量、数据存储以及数据的传输,然而只要中间任意一环出现问题都可能会导致最终采集到的重力波仪数据出现数据重复、数据缺失或者数据波动等现象。
(2)删除冗余数据
在重力波仪原始数据集中,同一子系统或核心部件ID的数据在同一时间戳重复出现多次必然存在冗余数据,对于无用的冗余数据可直接删除,只保留子系统或核心部件ID和时间戳的唯一性。重力波仪冗余数据示例如图3所示。
(3)缺值填充
缺失数据指重力波仪原始数据中显示为空值或者零值的数据项。空值与零值数据主要是由于重力波仪数据采集系统网络中断事故等因素造成该时间段的数据丢失而引发的。对于重力波仪故障检测和故障预测,这些空值或者零值并不是真实的时序数据,缺失数据的存在会影响正常数据的分布规律,从而造成重力波仪故障检测的精度,因此需要在故障检测之前对缺失数据进行填充。本发明采用最近邻插补(K-Nearest NeighborsImputation,KNN)方法对缺失值进行填充。
(4)特征筛选
数据特征之间存在一定的关联,某些特征十分相似,特征筛选方法从原始的高维度数据中去除无关维度和冗余维度,并筛选出有意义的特征输入到模型中进行训练。因此,特征筛选可提高故障检测准确性,降低故障检测模型结构的复杂度,减少模型训练和推理时间,增加模型的可解释性。重力波仪每个时刻的运行状态始终在变化,重力波仪每个时刻的状态数据各个特征的维度之间相关性也不一致,对重力波仪数据进行特征筛选,可提高故障检测模型的泛化能力。
重力波仪数据特征筛选通过均值方差选择法观察各个维度的特征是否发散,均值方差选择法计算单维特征与故障之间的相关性,具备计算效率高,鲁棒性强等特点。均值方差选择法表示为:
其中,μi表示i特征时序数据的均值,(σi)2表示i特征时序数据方差,di表示i特征的特征得分。
(5)数据标准化处理
重力波仪填充后的数据经过特征筛选后,各个特征维度的数据幅度不一致的问题会极大影响训练的收敛性及推理的准确性,数据标准化处理可以使得各个维度的特征值映射到[0,1]之间。针对重力波仪的指标数据存在一些变化幅度大、急剧上升、急剧下降的现象,本发明使用Z-score数据标准化方法,其映射函数为:
式中,表示特征维度i在t时刻的原始数据,μi和σi分别表示特征维度i的均值和标准差,表示当前t时刻数据标准化处理后的数值。
步骤三:重力波仪故障类别分析
在重力波仪故障检测过程中,本发明针对采集到重力波仪内部参数,如温度、湿度以及噪声强度,以及重力波仪工作电压、输入交流电压值、输出直流电压值,以及环境TEC空调温度等状态数据值,根据历史经验数据构建了故障分析树机理模型,重力波仪故障分析树如图4所示。
步骤四:在输入层输入重力波仪多元时间序列数据
重力波仪故障检测流程图如图5所示。首先将重力波仪数据预处理后,划分训练集。然后初始化编码器隐藏状态后,根据当前时间步长更新编码器隐藏状态。当时间步长达到T后,计算注意力得分和权重。接着,初始化解码器的隐藏状态,并将编码器输出的隐藏状态进行重构,如果重构误差超过预设阈值,则判定发生了故障,并进行故障类别判定。
重力波仪故障检测模型的输入层接收重力波仪多元时间序列数据,作为模型的输入。输入层的输入是一个重力波仪多元时间序列X={x1,x2,...,xT},其中每个数据点xt=(xt1,xt2,...,xtd)包含多个特征,如环境温度、环境湿度、工作电压值等,d是重力波仪数据特征的维度,表示重力波仪在第t个时间点的状态,T是输入序列的长度。输入层的输出是重力波仪数据序列X,作为编码器和解码器的输入。
步骤五:在编码器阶段计算输入向量和编码向量的相似度
在编码器中,计算输入的重力波仪多元时间序列X的自注意力权重矩阵A∈RT×T,其中Aij表示第i个输入向量xi对第j个输入向量xj的注意力权重,计算公式为:
其中,eij是一个标量,表示xi和xj的相似度,计算公式为:
其中,Wa∈Rd×d是一个可学习的权重矩阵,用于将输入向量和编码向量映射到一个相同的空间,以便计算两个向量的相似度。是一个缩放因子,用于防止梯度消失或爆炸。
步骤六:在编码阶段计算自注意力输出矩阵
在编码器中,计算输入的重力波仪多元时间序列X的自注意力输出矩阵Z,计算公式为:
式中,Z是自注意力输出矩阵,Z∈RT×d,Zi表示第i个输入向量xi的自注意力输出向量。
步骤七:在编码阶段计算隐藏状态序列
在编码器中,将自注意力输出矩阵Z作为输入,送入一个标准的GRU单元,计算隐藏状态序列H={h1,h2,...,hT},其中ht∈Rh是一个h维的隐藏状态向量,计算公式为:
rt=σ(WrZt+Urht-1+br) (1.10)
zt=σ(WzZt+Uzht-1+bz) (1.11)
其中,rt和zt是重置门和更新门,用于控制信息的流动。σ是sigmoid函数,⊙是逐元素相乘,Wr,Wz,Wh,Ur,Uz,Uh∈Rh×d和br,bz,bh∈Rh是可学习的权重矩阵和偏置向量。
在编码器中,将隐藏状态序列H的最后一个向量hT作为编码向量,输出给解码器。
步骤八:计算解码器阶段的当前输入和编码向量的注意力权重
在解码阶段,首先将编码向量hT∈Rh作为解码器的初始隐藏状态,同时将一个特殊的开始符号<s>作为解码器层的初始输入。
在解码器中,将编码向量hT作为初始隐藏状态h0,将开始符号<s>作为初始输入y0。对于每一个时间步t=1,2,...,T′,计算当前输入yt-1和编码向量hT的注意力权重At,计算公式为:
其中,et是一个标量,表示yt-1和hT的相似度,计算公式为:
其中,Wa∈Rd×h是一个可学习的权重矩阵,是一个缩放因子,用于防止梯度消失或爆炸。
步骤九:在解码阶段计算当前输入的自注意力输出
在解码器中,计算当前输入yt-1的自注意力输出Zt,计算公式为:
Zt=Atyt-1 (1.16)
步骤十:计算解码阶段当前输入的隐藏状态
在解码器中,将自注意力输出Zt作为输入,送入一个标准的GRU单元,计算下一个隐藏状态ht和输出yt。隐藏状态ht的计算公式与编码器中GRU单元计算隐藏状态公式相同,具体可参考公式1.4至1.7,输出yt的计算公式为:
yt=Wyht+by (1.17)
其中,by∈Rh是偏置向量。
步骤十一:输出当前时间步的结果
在解码器中,输出下一个隐藏状态ht和输出yt,作为当前时间步的结果。如果输出yt是一个结束符号</s>,或者达到了最大长度T′,停止计算,输出序列Y={y1,y2,...,yT′},将Y作为重构向量输出给输出层。
步骤十二:输出层输出重构向量
在输出层,首先将输入的重力波仪多元时间序列数据X={x1,x2,...,xT}和重构向量Y={y1,y2,...,yT′}对齐,使得输入数据和重构向量的长度相同。如果T′<T,则在Y的末尾补零,得到对齐后的重构向量其中是一个d维的向量,T是输入的重力波仪数据的长度。
步骤十三:计算重构误差
计算重力波仪数据X和对齐后的重构向量之间的欧氏距离,作为重构误差E,计算公式为:
其中,xti和分别表示xt和的第i个元素,d是输入数据的特征维度。
步骤十四:输出重构误差
输出重构误差E,作为故障检测的依据。如果E超过一个预设的阈值θ,则判定重力波仪存在故障,否则判定重力波仪正常。为了确保重构误差阈值θ在不同情况下的有效性,需要对重构误差阈值进行动态调节。
将重力波仪数据集划分为训练集和验证集,并使用训练集对重力波仪故障检测模型进行训练。重力波仪故障检测模型训练完成后,对训练集中的每个样本进行前向传播并计算重构误差。之后,统计训练集上的重构误差,计算均值和标准差,计算公式如下:
其中,是重力波仪训练数据集所有样本重构误差的均值,sE是重力波仪训练数据集所有样本重构误差的标准差,Nt是重力波仪训练数据集中样本总数,Ei是训练数据集第i个样本的重构误差。
在故障检测模型验证阶段,首先根据训练集上获得的均值和标准差sE计算阈值,计算公式如下:
其中,k是阈值调整参数。
使用得到的阈值在重力波仪验证集上进行推断,计算验证集上每个样本的重构误差。最后,分析重力波仪故障检测模型在不同阈值下的性能,如果模型性能不理想,则需要迭代地微调阈值和模型参数。
步骤十五:计算故障检测任务的损失函数
故障检测任务的目标是判断重力波仪是否发生了故障,这是一个二分类问题,因此使用二元交叉熵损失函数,计算如下:
其中,N是重力波仪数据集样本的数量,yd,i是第i个样本的真实故障检测结果,是第i个样本的预测故障检测结果,log是自然对数。
步骤十六:故障类别判定
全连接层根据编码向量进行故障类别判定,输出一个故障类别概率分布,表示重力波仪的故障类型。首先,将编码向量hT输入全连接层,计算重力波仪故障类别向量m∈Rc,其中c是重力波仪故障类别的个数,计算公式为:
m=WmhT+bm (1.23)
其中,Wm∈Rc×h和bm∈Rc是可学习的权重矩阵和偏置向量。
步骤十七:计算故障类别概率分布
对重力波仪故障类别向量m应用softmax函数,得到故障类别概率分布p∈Rc,计算公式为:
其中,pi表示第i个重力波仪故障类别的概率。
步骤十八:计算故障类别判定任务的损失函数
故障类别判定任务的目标是判断重力波仪发生了哪种类型的故障,这是一个多分类问题,因此使用多元交叉熵损失函数,计算如下:
其中,N是样本的数量,C是故障类别的数量,yc,i,j是第i个样本的第j个故障类别的真实标签,是第i个样本的第j个故障类别的预测概率,log是自然对数。
步骤十九:输出重力波仪故障类别概率分布
全连接层输出重力波仪故障类别概率分布p,作为重力波仪故障类别判定的依据,其中c是重力波仪故障类别的个数,pi表示第i个重力波仪故障类别的概率。概率分布p表示了重力波仪发生每一种故障的可能性,可以根据p的最大值来判断重力波仪的故障类型,或者根据p的阈值来判断重力波仪是否发生了某一种故障。例如,如果p的第一维表示电压过载故障,第二维表示系统环境温度偏高故障,第三维表示环境湿度偏高故障,那么如果p=[0.8,0.1,0.1],则判定重力波仪发生了电压过载故障。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明公开的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于Seq2Seq的重力波仪故障检测模型,其特征在于,所述重力波仪故障检测模型由输入层、编码器、解码器、输出层和全连接层组成;
所述输入层接收重力波仪多元时间序列数据,作为模型的输入;输入层的输出是重力波仪数据序列,作为编码器和解码器的输入;
在编码阶段,编码器接收重力波仪多元时间序列数据,将隐藏状态序列的最后一个向量作为编码向量,输出给解码器层;在解码阶段,将输出序列作为重构向量输出给输出层;如果重构误差超出设定阈值则判定重力波仪为故障状态,并将编码向量送入到全连接层进行故障类别判定,最后输出一个故障类别概率分布。
2.一种基于Seq2Seq的重力波仪故障检测方法,其特征在于包括:
采集重力波仪数据;对采集的重力波仪数据进行预处理得到重力波仪多元时间序列数据;
将重力波仪多元时间序列数据输入到重力波仪故障检测模型,在编码阶段,编码器接收重力波仪多元时间序列数据;将编码器的当前输入和隐藏状态送入一个自注意力增强的GRU单元,计算下一个隐藏状态和输出,重复这个过程,直到处理完输入的所有重力波仪数据,得到一个隐藏状态序列;将隐藏状态序列的最后一个向量作为编码向量,输出给解码器层;
在解码阶段,将编码向量作为解码器的初始隐藏状态,同时将一个特殊的开始符号作为解码器层的初始输入;将解码器层的当前输入和隐藏状态送入一个自注意力增强的GRU单元,计算下一个隐藏状态和输出,重复这个过程,直到输出一个特殊的结束符号或者达到一个最大长度,得到一个输出序列;将输出序列作为重构向量,输出给输出层;在输出层,将输入的重力波仪多元时间序列数据和重构向量对齐,使得输入数据和重构向量的长度相同;
计算重构误差,如果重构误差超出设定阈值则判定重力波仪为故障状态,并将编码向量送入到全连接层进行故障类别判定,最后输出一个故障类别概率分布。
3.根据权利要求2所述一种基于条件生成对抗网络的重力波仪数据补全方法,其特征在于,所述采集的重力波仪数据来源于转动温度光谱测量子系统、大视场重力波仪成像子系统、精细光谱检测子系统、CCD相机、滤光轮、TEC空调;以及环境参数。
4.根据权利要求2所述一种基于条件生成对抗网络的重力波仪数据补全方法,其特征在于,所述对采集的重力波仪数据进行预处理包括原始数据进行数据分类、删除冗余数据、填充缺失数据、合并数据集、筛选数据特征和数据标准化。
5.根据权利要求2所述一种基于条件生成对抗网络的重力波仪数据补全方法,其特征在于,所述重构误差计算公式如下:
其中,E为重构误差,xti和分别表示xt和的第i个元素,d是输入数据的特征维度,T为输入序列的长度。
6.一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求2-5任一项所述的方法。
7.一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现权利要求2-5任一项所述的方法。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118260668A true CN118260668A (zh) | 2024-06-28 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN112015153B (zh) | 一种无菌灌装生产线异常检测系统和方法 | |
CN115688035A (zh) | 一种基于自监督学习的时序电力数据异常检测方法 | |
CN113419519B (zh) | 基于宽度学习的机电产品系统或设备实时故障诊断方法 | |
CN114386521A (zh) | 时间序列数据的异常检测方法、系统、设备和存储介质 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN113093985B (zh) | 传感器数据链路异常检测方法、装置和计算机设备 | |
CN115577248A (zh) | 风力发电机组的故障诊断系统及其方法 | |
CN115062272A (zh) | 一种水质监测数据异常识别及预警方法 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN115169430A (zh) | 基于多尺度解码的云网端资源多维时间序列异常检测方法 | |
CN114825636A (zh) | 一种光伏逆变器健康状态监控与告警系统及方法 | |
CN115587335A (zh) | 异常值检测模型的训练方法、异常值检测方法及系统 | |
CN116522265A (zh) | 工业互联网时序数据异常检测方法及装置 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN115526202A (zh) | 基于数据驱动的海上风机故障诊断系统及其诊断方法 | |
Zeng et al. | Bearing fault diagnosis with denoising autoencoders in few labeled sample case | |
CN116660761B (zh) | 一种锂离子电池检测方法及系统 | |
CN117540333A (zh) | 基于时空信息融合的多传感器数据异常检测方法和装置 | |
CN118260668A (zh) | 一种基于Seq2Seq的重力波仪故障检测模型及方法 | |
CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |