【技术实现步骤摘要】
本公开涉及机器学习，尤其涉及一种缺失数据修复及其模型的构建方法、系统、设备。
技术介绍
1、现有的火电厂、水电厂和核电厂等工厂，大多依赖传感器采集时序数据，通过对时序数据进行监测和分析，实现对工厂的运行状态监测和运行事故分析。
2、以核电厂为例，核电厂事故应急准备与响应是核电安全纵深防御的最后一道屏障。为保障核应急决策的科学性，将核事故对公众和环境的危害降至最低，需要对事故起因进行科学地诊断，并对事故发展进程以及缓解措施的影响进行预测、分析和评价，进而制定可行的事故干预方案。目前我国核动力装置还大都在采用传统的阈值监测方法，不仅缺乏有效地信息分级机制，而且难以提供事故发生的根本原因。
3、此外，由于核电厂传感器运行环境恶劣，需要长期在高温高辐照条件下工作，发生失水事故、主蒸汽管道破裂事故等情况下，传感器传递的信号可能发生失真或缺失。因此有必要开发一种针对传感器的时序数据进行数据修复方法，能够根据历史数据对传感器的缺失的监测信号进行修正和补充，以更加全面、客观地反应核电厂的运行状态。在发生核事故这样的极端情况下，也可以刻画出事故状态。
4、目前的数据修复方法主要有均值插值、中值插值、线性时序插值、矩阵分解、基于机器学的knn（k-nearest neighbor ,k最邻近）、em（expectation-maximum，期望最大化）、rnn（recurrent neural network，循环神经网络）)等修复方法；但是核电厂传感器数据具有路径依赖，不可逆性和不确定性等特点，时序数据的特征差
技术实现思路
1、本公开要解决的技术问题是为了克服现有技术中无法全面的、精准的、有效的对时序数据进行数据修复的缺陷，提供一种缺失数据修复及其模型的构建方法、系统、设备。
2、本公开是通过下述技术方案来解决上述技术问题：
3、第一方面，提供一种缺失数据修复模型的构建方法，所述缺失数据修复模型包括生成器和判别器；所述构建方法包括：
4、获取预设时段内的原始时序数据集作为初始时序数据集；
5、对所述初始时序数据集进行数据删除操作，得到样本缺失数据集；
6、对所述样本缺失数据集进行预处理操作，得到样本待修复数据集，对所述初始时序数据集进行所述预处理操作，得到样本真实数据集；
7、将所述样本待修复数据集输入至所述生成器中，以输出所述样本待修复数据集对应的样本修复数据集；
8、将所述样本待修复数据集和所述样本真实数据集输入至所述判别器中，以输出判别结果；
9、将所述判别结果反馈至所述生成器，对所述生成器和所述判别器进行相互对抗训练，以构建得到所述缺失数据修复模型；
10、其中，所述判别结果用于表征所述样本修复数据集与所述样本真实数据集的接近程度，所述缺失数据修复模型用于修复输入的实际缺失数据集对应的实际修复数据集。
11、较佳地，所述预处理操作包括灰度变换算法操作；
12、所述样本真实数据集和所述样本缺失数据集均为图像数据集。
13、较佳地，所述生成器包括依次相连的第一卷积层、第一池化层、第一全连接层、第一循环层和第二全连接层；
14、所述第一卷积层用于提取所述样本待修复数据集的空间特征，得到第一空间特征数据；
15、所述第一池化层用于对所述第一空间特征数据进行降采样操作，得到第二空间特征数据；
16、所述第一全连接层用于对所述第二空间特征数据进行特征融合操作，得到第一融合数据；
17、所述第一循环层用于提取所述样本待修复数据集的时序特征，得到第一时间特征数据；
18、所述第二全连接层用于基于所述第一融合数据和所述第一时间特征数据映射得到所述样本修复数据。
19、较佳地，所述判别器包括依次相连的第二卷积层、第二池化层、第三全连接层、第二循环层和第四全连接层；
20、所述第二卷积层用于提取所述样本修复数据集的空间特征，得到第三空间特征数据，以及用于提取所述样本真实数据集的空间特征，得到第四空间特征数据；
21、所述第二池化层用于对所述第三空间数据进行降采样操作，得到第五空间特征数据，以及用于对所述第四空间特征数据进行降采样操作，得到第六空间特征数据；
22、所述第三全连接层用于对所述第五空间特征数据进行特征融合操作，得到第二融合数据，以及用于对所述第六空间特征数据进行特征融合操作，得到第三融合数据；
23、所述第二循环层用于提取所述样本修复数据集的时序特征，得到第二时间特征数据，以及用于提取所述样本真实数据集的时序特征，得到第三时间特征数据；
24、所述第四全连接层用于基于所述第二融合数据、第三融合数据、第二时间特征数据和第三时间特征数据，判断所述样本修复数据集与所述样本真实数据集的接近程度。
25、较佳地，所述初始时序数据集包括堆芯出口温度、冷管段温度、热管段温度中的至少一种；
26、所述初始时序数据集包括实际采集的核电厂的历史运行数据；
27、和/或，所述初始时序数据集包括基于仿真软件生成的核电厂的仿真运行数据。
28、第二方面，提供一种缺失数据修复方法，所述缺失数据修复方法基于上述所述的缺失数据修复模型的构建方法构建得到的缺失数据修复模型实现；
29、所述缺失数据修复方法包括：
30、获取实际时序数据集；
31、对所述实际时序数据集进行预处理操作，得到实际缺失数据集；
32、将所述实际缺失数据集输入至所述缺失数据修复模型的生成器中，以生成所述实际缺失数据集对应的实际修复数据集。
33、第三方面，提供一种缺失数据修复模型的构建系统，所述缺失数据修复模型包括生成器和判别器；所述构建系统包括：
34、初始数据获取模块，用于获取预设时段内的原始时序数据集作为初始时序数据集；
35、样本缺失数据获取模块，用于对所述初始时序数据集进行数据删除操作，得到样本缺失数据集；
36、样本预处理模块，用于对所述样本缺失数据集进行预处理操作，得到样本待修复数据集，对所述初始时序数据集进行所述预处理操作，得到样本真实数据集；
37、生成器模块，用于将所述样本待修复数据集输入至所述生成器中，以输出所述样本待修复数据集对应的样本修复数据集；
38、判别器模块，用于将所述样本修复数据集和所述样本真实数据集输入至所述判别器中，以输出判别结果；
39、对抗训练模块，用于将所述判别结果反馈至所述生成器，对所述生成器和所述判别器进行相互对抗训练，以构建得到所述缺失数据修复模型；
40、其中，所述判别结果用于表征所述样本修复本文档来自技高网...
【技术保护点】
1.一种缺失数据修复模型的构建方法，其特征在于，所述缺失数据修复模型包括生成器和判别器；所述构建方法包括：
2.根据权利要求1所述的构建方法，其特征在于，所述预处理操作包括灰度变换算法操作；
3.根据权利要求2所述的构建方法，其特征在于，所述生成器包括依次相连的第一卷积层、第一池化层、第一全连接层、第一循环层和第二全连接层；
4.根据权利要求3所述的构建方法，其特征在于，所述判别器包括依次相连的第二卷积层、第二池化层、第三全连接层、第二循环层和第四全连接层；
5.根据权利要求1-4中任一项所述的构建方法，其特征在于，所述初始时序数据集包括堆芯出口温度、冷管段温度、热管段温度中的至少一种；
6.一种缺失数据修复方法，其特征在于，所述缺失数据修复方法基于如权利要求1-5中任一项所述的缺失数据修复模型的构建方法构建得到的缺失数据修复模型实现；
7.一种缺失数据修复模型的构建系统，其特征在于，所述缺失数据修复模型包括生成器和判别器；所述构建系统包括：
8.一种缺失数据修复系统，其特征在于，所述缺失数据修复
9.一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的缺失数据修复模型的构建方法，或实现权利要求6所述的缺失数据修复方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的缺失数据修复模型的构建方法，或实现权利要求6所述的缺失数据修复方法。
...【技术特征摘要】
1.一种缺失数据修复模型的构建方法，其特征在于，所述缺失数据修复模型包括生成器和判别器；所述构建方法包括：
2.根据权利要求1所述的构建方法，其特征在于，所述预处理操作包括灰度变换算法操作；
3.根据权利要求2所述的构建方法，其特征在于，所述生成器包括依次相连的第一卷积层、第一池化层、第一全连接层、第一循环层和第二全连接层；
4.根据权利要求3所述的构建方法，其特征在于，所述判别器包括依次相连的第二卷积层、第二池化层、第三全连接层、第二循环层和第四全连接层；
5.根据权利要求1-4中任一项所述的构建方法，其特征在于，所述初始时序数据集包括堆芯出口温度、冷管段温度、热管段温度中的至少一种；
6.一种缺失数据修复方法，其特征在于，所述缺失数据修复方法基于如权利要求1-5中任一项所述的缺失数据修复模...
【专利技术属性】
技术研发人员：林桦，杨士华，李思维，蔡建飞，王云伟，杜昌飞，王凡，李劲松，韩秋业，郭元堂，袁言言，黄宝鑫，
申请(专利权)人：国核自仪系统工程有限公司，
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。