【技术实现步骤摘要】
本专利技术涉及计算机，更具体的说是涉及一种工业故障分类方法、系统、装置及可读存储介质。
技术介绍
1、在现代工业中，信息化和大数据技术的迅速发展使得工业过程的监测与管理越来越智能化和自动化。然而，工业过程的复杂性和多样性不可避免地会产生故障问题，依然是影响生产效率和质量的关键因素之一。随着传感器技术的普及和数据采集能力的提升，企业能够实时获取大量的运行数据。这些数据中包含了丰富的故障信息，为故障检测和分类提供了可能。然而，传统的故障分类方法往往依赖于人工经验，难以适应日益复杂的工业环境。此外，许多现有技术在处理高维数据时效率低下，导致响应时间过长，无法满足实时监测的需求。
2、具体来说，传统的故障分类方法主要依靠基于规则的方法，这种方法往往受限于专家知识，因为其规则的指定需要专业背景，难以自动化生成，并且在面临新的故障模式或是环境变化时，规则可能不再有效，需要不断更新，增加维护成本。随着工业过程中数据的不断积累和新技术的不断更迭，基于大数据分析和人工智能技术的方法变得越发成熟。通过在海量的工业数据中提取潜在的关联性和规律，为故障分类提供了更加可靠的依据。然而在故障分类问题中，数据不平衡是十分严重的，故障数据量要远小于正常数据量，使得模型训练结果往往是次优的。
技术实现思路
1、针对以上问题，本专利技术的目的在于提供一种工业故障分类方法、系统、装置及可读存储介质，通过使用时间序列生成对抗网络，可以生成额外的故障样本，缓解样本不足带来的问题，从而提高故障模型的泛化能力和鲁棒
2、本专利技术为实现上述目的，通过以下技术方案实现：
3、第一方面，本专利技术公开了一种工业故障分类方法，包括：
4、从时序数据库中获取电厂设备的故障数据；
5、对所述故障数据进行序列化处理，以获得固定窗口大小的时序故障数据，并对所述时序数据进行归一化处理；
6、使用基于时间序列生成对抗网络的时序生成算法对归一化后的时序故障数据进行建模，生成合成故障数据；
7、对所述合成故障数据进行反归一化处理，并将反归一化后的合成故障数据与原始故障数据融合，生成融合故障数据；
8、对融合故障数据进行时序数据截断或填充处理，以生成模型训练数据；
9、基于transformer网络构建故障分类模型，使用处理后的模型训练数据对故障分类模型进行训练；
10、利用训练好的故障分类模型对实时数据进行故障识别。
11、进一步，所述从时序数据库中获取电厂设备的故障数据，包括：
12、从时序数据库pi系统提取电厂任一机组下设备历史1年的故障数据，数据采集的时间间隔为1分钟；
13、将获取的时序数据分为训练样本和测试样本，将训练样本中的故障数据提取出来。
14、进一步，所述对所述故障数据进行序列化处理，以获得固定窗口大小的时序故障数据，并对所述时序故障数据进行归一化处理，包括：
15、指定固定窗口大小，对故障数据进行遍历，获取固定窗口大小的时序故障数据，记为；
16、通过查询识别出故障数据的最大值和最小值；
17、对每一组时序故障数据进行最大最小值归一化计算生成归一化的时序故障数据，公式如下：
18、
19、其中，为时序故障数据的状态变量。
20、进一步，所述使用基于时间序列生成对抗网络的时序生成算法对归一化后的时序故障数据进行建模，生成合成故障数据，包括：
21、基于时间序列生成对抗网络利用嵌入模块将原始特征空间映射到包含静态特征和动态特征的隐藏空间，映射过程如下所示：
22、
23、其中，和分别表示静态特征数据和动态时序特征，和分别表示静态特征和动态特征数据到隐藏空间的映射函数，和分别对应和在隐藏空间的低维映射；
24、通过训练逆映射完成数据的特征维度恢复，逆映射过程如下：
25、
26、其中：和分别表示经过逆映射后的静态特征和动态特征；
27、使用重构损失训练自编码中的嵌入网络和重构网络，重构损失为：
28、
29、其中，为时间序列的长度，为数据的分布；
30、将基于时间序列生成对抗网络的生成函数定义为：
31、
32、其中，和表示随机静态特征和动态随机特征，和则表示隐藏空间中合成静态特征和合成动态特征；
33、引入有监督误差损失函数并定义无监督的对抗损失函数，以提高生成器对真实数据时序相关性的学习能力；
34、有监督误差损失函数为：
35、
36、无监督的对抗损失函数为：
37、
38、其中，和表示真实序列静态和动态特征的标签；，表示合成序列静态特征标签，表示rnn特征提取函数，表示合成动态特征标签；
39、利用基于时间序列生成对抗网络，基于归一化后的时序故障数据完成对嵌入空间下序列相关性的学习，生成合成故障数据。
40、进一步，所述对所述合成故障数据进行反归一化处理，并将反归一化后的合成故障数据与原始故障数据融合，生成融合故障数据，包括：
41、基于故障数据的最大值和最小值，通过反归一化公式将合成故障数据进行反归一化，生成融合故障数据；
42、反归一化的公式为：
43、
44、其中，为合成故障数据。
45、进一步，所述对融合故障数据进行时序数据截断或填充处理，以生成模型训练数据，包括：
46、基于融合故障数据，将其中的最长时序数据长度记为，并生成一条长度为的掩码向量，其向量值全部设为1；
47、针对其它的融合故障数据，通过填充任意值进行延长处理，将其的数据长度延长至
48、基于延长处理后的融合故障数据，生成对应的掩码向量；将填充位置的向量值设为0，其余位置的向量值设为1，作为模型训练数据。
49、进一步，所述基于transformer网络构建故障分类模型，包括：
50、将transformer网络的自注意力的输出设定为：
51、
52、其中，为注意力掩码，为输入特征维度，为查询向量，为键向量，为值向量。
53、第二方面，本专利技术还公开了一种工业故障分类系统，包括：
54、数据获取模块，用于从时序数据库中获取电厂设备的故障数据；
55、数据处理模块，用于对所述故障数据进行序列化处理，以获得固定窗口大小的时序故障数据，并对所述时序数据进行归一化处理；
56、数据合成模块，用于使用基于时间序列生成对抗网络的时序生成算法对归一化后的时序故障数据进行建模，生成合成故障数据；
57、数据融合模块，用于对所述合成故障数据进行反归一化处理，并将反归一化后的合成故障数据与原始故障数据融合，生成融合故障数据本文档来自技高网...
【技术保护点】
1.一种工业故障分类方法，其特征在于，包括：
2.根据权利要求1所述的工业故障分类方法，其特征在于，所述从时序数据库中获取电厂设备的故障数据，包括：
3.根据权利要求2所述的工业故障分类方法，其特征在于，所述对所述故障数据进行序列化处理，以获得固定窗口大小的时序故障数据，并对所述时序故障数据进行归一化处理，包括：
4.根据权利要求3所述的工业故障分类方法，其特征在于，所述使用基于时间序列生成对抗网络的时序生成算法对归一化后的时序故障数据进行建模，生成合成故障数据，包括：
5.根据权利要求4所述的工业故障分类方法，其特征在于，所述对所述合成故障数据进行反归一化处理，并将反归一化后的合成故障数据与原始故障数据融合，生成融合故障数据，包括：
6.根据权利要求5所述的工业故障分类方法，其特征在于，所述对融合故障数据进行时序数据截断或填充处理，以生成模型训练数据，包括：
7.根据权利要求1所述的工业故障分类方法，其特征在于，所述基于Transformer网络构建故障分类模型，包括：
8.一种工业故障分类系统
9.一种工业故障分类装置，其特征在于，包括：
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有工业故障分类程序，所述工业故障分类程序被处理器执行时实现如权利要求1至7任一项所述的工业故障分类方法的步骤。
...【技术特征摘要】
1.一种工业故障分类方法，其特征在于，包括：
2.根据权利要求1所述的工业故障分类方法，其特征在于，所述从时序数据库中获取电厂设备的故障数据，包括：
3.根据权利要求2所述的工业故障分类方法，其特征在于，所述对所述故障数据进行序列化处理，以获得固定窗口大小的时序故障数据，并对所述时序故障数据进行归一化处理，包括：
4.根据权利要求3所述的工业故障分类方法，其特征在于，所述使用基于时间序列生成对抗网络的时序生成算法对归一化后的时序故障数据进行建模，生成合成故障数据，包括：
5.根据权利要求4所述的工业故障分类方法，其特征在于，所述对所述合成故障数据进行反归一化处理，并将反归一化后的合成故障数据与原始故...
【专利技术属性】
技术研发人员：刘豪杰，于秋红，郝浚杰，王莉，孙永华，刘洪涛，陈勇，
申请(专利权)人：山东鲁软数字科技有限公司，
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。