【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种基于时频域特征融合的工业时序数据增强方法及系统。
技术介绍
1、为了挖掘数据中潜在的重要特征信息，当前采用机器学习、深度学习等方法来对数据进行分析处理，在这个过程中数据增强方法是在机器学习、深度学习领域中用来提高模型性能和泛化能力的可靠办法，但现在主要是用于在计算机视觉任务中处理二维图像数据，而对于互联网云端上传采集的以上传时间为索引序号的一维数据的数据增强方法则应用并不广泛。
2、现有的数据增强方案，大多是针对图像二维数据的数据增强方法，通过图像预处理中的抖动、缩放、旋转、排列、剪裁等方法，将原始数据进行预处理，生成新的数据，以提高机器学习、深度学习过程中训练数据的样本丰富性。
3、现有针对图像的数据增强方法，在应用到工业制造领域中的时间序列数据时，会面临着执行数据增强方法时导致数据变形、特征丢失等情况发生，影响对数据特性挖掘的准确性。例如，翻转或旋转图像以增强图像数据并不会显著破坏原始数据的含义。因此，如何提出一种适用于时间序列数据的数据增强方案，成为亟待解决的问题。
技术实现思路
1、有鉴于此，有必要提供一种基于时频域特征融合的工业时序数据增强方法，用以解决现有技术的上述缺陷。
2、为了解决上述问题，第一方面，本专利技术实施例提供一种基于时频域特征融合的工业时序数据增强方法，包括：
3、s1，采集工业生产过程中的工业时序数据，得到原始数据集；
4、s2，结合时间域内的加权权重调整策
5、s3，将预处理后的扩展数据随机切片，并将切片数据与与原始数据的时间长度对齐；
6、s4，将经过数据预处理并切片对齐后的工业时序数据转换为频域数据，分别从工业时序数据和频域数据中提取时域特征和频域特征，并将所述时域特征和频域特征进行融合，得到数据增强后的工业时序数据。
7、优选的，在采集工业生产过程中的工业时序数据时，所述方法还包括：
8、基于香农采样定理和先验知识，确定工业时序数据的最优采样频率；其中，所述工业时序数据包括电压、电流、温度、湿度和速度；
9、根据最优采样频率，确定工业时序数据需要扩增的数据容量。
10、优选的，所述结合时间域内的加权权重调整策略以及数据插值方法，对原始数据集中的工业时序数据进行数据预处理，包括：
11、根据原始数据集中的工业时序数据的特性，为原始数据集中每个数据点分配权重值；
12、考虑每个数据点的权重值，对原始数据集中的工业时序数据进行数据插值。
13、优选的，在对原始数据集中的工业时序数据进行数据插值之后，还包括：
14、对数据插值后的数据进行优化处理；所述优化处理包括数据旋转、数据抖动、数据缩放和数据重排。
15、优选的，所述将预处理后的扩展数据随机切片，并将切片数据与与原始数据的时间长度对齐，包括：
16、根据原始数据集中工业时序数据的时间长度，对预处理后的扩展数据进行随机切片，得到与原始数据时间长度相同的切片数据；
17、确保每个切片数据的标签与原始数据集中相应时间段的标签一一对应。
18、优选的，步骤s4具体包括：
19、通过快速傅里叶变换，将经过数据预处理并切片对齐后的工业时序数据转换为频域数据；
20、从经过数据预处理并切片对齐后的工业时序数据中提取时域特征，从所述频域数据中提取频域特征；
21、将所述时域特征和频域特征进行融合，得到数据增强的工业时序数据。
22、第二方面，本专利技术实施例提供一种基于时频域特征融合的工业时序数据增强系统，包括：
23、数据采集模块，用于采集工业生产过程中的工业时序数据，得到原始数据集；
24、数据预处理模块，用于结合时间域内的加权权重调整策略以及数据插值方法，对原始数据集中的工业时序数据进行数据预处理；
25、数据切片对齐模块，用于将预处理后的扩展数据随机切片，并将切片数据与与原始数据的时间长度对齐；
26、时频域特征融合模块，用于将经过数据预处理并切片对齐后的工业时序数据转换为频域数据，分别从工业时序数据和频域数据中提取时域特征和频域特征，并将所述时域特征和频域特征进行融合，得到数据增强后的工业时序数据。
27、第三方面，本专利技术还提供了一种电子设备，包括存储器和处理器，其中，
28、所述存储器，用于存储程序；
29、所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现如本专利技术第一方面实施例所述的基于时频域特征融合的工业时序数据增强方法中的步骤。
30、第四方面，本专利技术还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现如本专利技术第一方面实施例所述的基于时频域特征融合的工业时序数据增强方法中的步骤。
31、本专利技术提供的基于时频域特征融合的工业时序数据增强方法及系统，与现有技术相比，具有如下有益效果：
32、1)本专利技术通过结合时间域内的加权权重调整和数据插值方法，提高了数据的密度和多样性。通过随机切片和对齐策略，本专利技术能够在保持数据长度的同时，增加数据的多样性，避免了传统图像数据增强方法直接应用于时间序列数据时可能导致的数据变形和特征丢失问题。
33、2)本专利技术通过时频域特征融合的方法进行数据增强，可以充分利用数据在时域和频域上的信息，增强后的时序数据不仅包含了数据在时间轴上的动态变化信息，还包含了数据在频率分布上的静态结构信息，为后续数据分析、异常检测等任务提供重要的数据支持。
本文档来自技高网...【技术保护点】
1.一种基于时频域特征融合的工业时序数据增强方法，其特征在于，包括：
2.根据权利要求1所述的基于时频域特征融合的工业时序数据增强方法，其特征在于，在采集工业生产过程中的工业时序数据时，所述方法还包括：
3.根据权利要求1所述的基于时频域特征融合的工业时序数据增强方法，其特征在于，所述结合时间域内的加权权重调整策略以及数据插值方法，对原始数据集中的工业时序数据进行数据预处理，包括：
4.根据权利要求3所述的基于时频域特征融合的工业时序数据增强方法，其特征在于，在对原始数据集中的工业时序数据进行数据插值之后，还包括：
5.根据权利要求1所述的基于时频域特征融合的工业时序数据增强方法，其特征在于，所述将预处理后的扩展数据随机切片，并将切片数据与与原始数据的时间长度对齐，包括：
6.根据权利要求1所述的基于时频域特征融合的工业时序数据增强方法，其特征在于，步骤S4具体包括：
7.一种基于时频域特征融合的工业时序数据增强系统，其特征在于，包括：
8.一种电子设备，
9.一种计算机可读存储介质，
...【技术特征摘要】
1.一种基于时频域特征融合的工业时序数据增强方法，其特征在于，包括：
2.根据权利要求1所述的基于时频域特征融合的工业时序数据增强方法，其特征在于，在采集工业生产过程中的工业时序数据时，所述方法还包括：
3.根据权利要求1所述的基于时频域特征融合的工业时序数据增强方法，其特征在于，所述结合时间域内的加权权重调整策略以及数据插值方法，对原始数据集中的工业时序数据进行数据预处理，包括：
4.根据权利要求3所述的基于时频域特征融合的工业时序数据增强方法，其特征在于，在对原始数据集中的工业时序数据进行数据插值之后，还包括：
5.根据权...
【专利技术属性】
技术研发人员：陈再励，吴宾，冯树庆，方建生，雷欢，钟震宇，
申请(专利权)人：广东省科学院智能制造研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。