多维时间序列数据诊断与补全方法、装置、系统与介质

本发明涉及工业生产异常数据诊断，具体涉及一种多维时间序列数据诊断与补全方法、装置、系统与介质。

背景技术：

1、工业生产中，通过在系统中布设不同类型的传感器，可以得到持续产生的数据流，一般称之为时间序列数据，实际中存在传感器故障或损坏、数据传输中断或丢失、人为操作失误、设备维护、停机维修和环境突变等问题，导致多源时间序列数据中存在随机连续缺失、序列变化异常等现象，如果不加以解决，可能导致后期分析模型训练的鲁棒性下降，使其对输入数据的波动和异常更加敏感，从而影响模型的性能和泛化能力。

2、在异常诊断方面，已有的技术多基于人工给定的异常标签实现异常识别模型构建，但在实际中异常标签难以获取，且获取异常标签的过程会消耗大量的人力物力；在数据补全方面，多采用插值方法，没有考虑数据的长期周期性和不同变量(传感器)之间的相关性。

技术实现思路

1、为解决上述技术问题，本发明提出一种多维时间序列数据诊断与补全方法、装置、系统与介质，将小波变换融入网络，不同频段分别重构；引入自相关注意力，评估序列内周期性；引入不对称图卷积，捕获变量间相关性；重构作差识别异常，掩码监督补全缺失。

2、为解决上述技术问题，本发明采用如下技术方案：

3、一种多维时间序列数据诊断与补全方法，具体包括以下步骤：

4、步骤一，收集生产设备上n个传感器产生的传感器时间序列数据，得到多维时间序列数据其中，xi表示第i个传感器产生的传感器时间序列数据，1≤i≤n；为xi中第w个传感器数据，w为各传感器时间序列数据的长度；

5、步骤二，构建神经网络模型：分别对x中的每个xi进行第一级多小波基函数离散小波变换，得到xi对应的第一级变换低频分量和第一级变换高频分量将分别输入到一维卷积网络和全连接网络，得到第一级融合低频序列和第一级融合高频序列对进行第二级多小波基函数离散小波变换，得到第二级变换低频分量和第二级变换高频分量将分别输入到一维卷积网络和全连接网络，得到第二级融合低频序列和第二级融合高频序列将和输入到由自相关注意力、残差连接和一维卷积网络组成的自相关融合模块，得到第i个传感器的第一级时间序列特征图将和输入到所述自相关融合模块，得到第i个传感器的第二级时间序列特征图

6、将输入到图卷积网络后得到的聚合结果输入到一维卷积网络，得到一级高频序列将输入到图卷积网络后得到的聚合结果输入到一维卷积网络，得到二级低频序列和二级高频序列对和进行多小波基函数小波逆变换得到一级低频序列通过对和进行多小波基函数小波逆变换得到重构后数据通过对按列求平均得到第i个传感器的重构时间序列数据进而得到重构多维时间序列数据

7、步骤三，定义神经网络模型的损失函数并进行训练；损失函数为：

8、

9、其中，mx为与x对应的掩码矩阵；如果x在特定位置处因为缺失而补零，则m在所述特定位置上的元素为0，其他情况下，m在特定位置上的元素为1；mh,mlh,mll分别为与对应的掩码矩阵；°表示对应元素相乘；λx,λh,λlh,λll表示加权系数，‖·‖2表示二范数；

10、步骤四，异常诊断及代码补全，具体包括以下步骤：

11、步骤s41，将实际生产中得到的多维时间序列数据x0，输入到完成训练的神经网络模型，得到重构多维时间序列数据计算观测误差δ：如果观测误差δ超过设定的阈值，则将x0中对应的传感器数据作为异常值剔除后补零，并更新掩码矩阵，并重新训练神经网络模型；将更新后的多维时间序列数据x0输入到重新训练过的神经网络模型；

12、步骤s42，循环运行步骤s41，直到无法发现新的异常值或达到特定循环次数，最终得到的已经剔除了多维时间序列数据x0中的全部异常传感器数据并实现了缺失补全。

13、进一步地，所述多小波基函数离散小波变换所采用的小波基函数包括haar小波、daubechies小波、mexican hat小波、morlet小波和meyer小波中的两个以上的小波基函数。

14、进一步地，步骤二中，所述分别对x中的每个xi进行第一级多小波基函数离散小波变换，得到xi对应的第一级变换低频分量和第一级变换高频分量将分别输入到一维卷积网络和全连接网络，得到第一级融合低频序列和第一级融合高频序列具体包括：

15、第i个传感器时间序列数据xi经过多小波基函数离散小波变换后，得到第一级变换低频分量和第一级变换高频分量

16、

17、其中，mbdwt(·)表示多小波基函数离散小波变换，k为多小波基函数离散小波变换中小波基函数的总数；表示xi在第j个小波基函数下的离散小波变换低频分量，1≤j≤k；

18、对进行融合得到第一级融合低频序列具体采用多核的一维卷积网络1dcnn对每个小波基函数对应的离散小波变换低频分量进行变换，将变换结果输入到全连接网络fc进行融合，得到第一级融合低频序列

19、

20、将第一级变换高频分量输入到多核的一维卷积网络1dcnn和全连接网络fc，得到第一级融合高频序列

21、

22、进一步地，步骤二中，所述将和输入到由自相关注意力、残差连接和一维卷积网络组成的自相关融合模块，得到第i个传感器的第一级时间序列特征图将和输入到所述自相关融合模块，得到第i个传感器的第二级时间序列特征图具体包括：

23、将第i个传感器的第一级融合低频序列和第一级融合高频序列分别输入到自相关注意力ac并进行残差连接，将得到的结果输入到一维卷积网络1dcnn后再进行合并，得到第i个传感器的第一级时间序列特征图

24、

25、其中，d为一维卷积网络中的核数量，||表示合并；

26、将第二级融合低频序列和第二级融合高频序列分别输入到自相关注意力ac并进行残差连接，将得到的结果输入到一维卷积网络1dcnn后再进行合并，得到第i个传感器的第二级时间序列特征图

27、

28、一种多维时间序列数据诊断与补全装置，包括：

29、数据收集模块，收集生产设备上n个传感器产生的传感器时间序列数据，得到多维时间序列数据其中，xi表示第i个传感器产生的传感器时间序列数据，1≤i≤n；为xi中第w个传感器数据，w为各传感器时间序列数据的长度；

30、神经网络模型构建模块，分别对x中的每个xi进行第一级多小波基函数离散小波变换，得到xi对应的第一级变换低频分量和第一级变换高频分量将分别输入到一维卷积网络和全连接网络，得到第一级融合低频序列和第一级融合高频序列对进行第二级多小波基函数离散小波变换，得到第二级变换低频分量和第二级变换高频分量将分别输入到一维卷积网络和全连接网络，得到第二级融合低频序列和第二级融合高频序列将和输入到由自相关注意力、残差连接和一维卷积网络组成的自相关融合模块，得到第i个传感器的第一级时间序列特征图将和输入到所述自相关融合模块，得到第i个传感器的第二级时间序列特征图

31、将输入到图卷积网络后得到的聚合结果输入到一维卷积网络，得到一级高频序列将输入到图卷积网络后得到的聚合结果输入到一维卷积网络，得到二级低频序列和二级高频序列对和进行多小波基函数小波逆变换得到一级低频序列通过对和进行多小波基函数小波逆变换得到重构后数据通过对按列求平均得到第i个传感器的重构时间序列数据进而得到重构多维时间序列数据

32、训练模块，定义神经网络模型的损失函数并进行训练；损失函数为：其中，mx为与x对应的掩码矩阵；如果x在特定位置处因为缺失而补零，则m在所述特定位置上的元素为0；mh,mlh,mll分别为与对应的掩码矩阵；°表示对应元素相乘；λx,λh,λlh,λll表示加权系数，‖·‖2表示二范数；

33、异常诊断及代码补全模块，将实际生产中得到的多维时间序列数据x0，输入到完成训练的神经网络模型，得到重构多维时间序列数据计算观测误差δ：如果观测误差δ超过设定的阈值，则将x0中对应的传感器数据作为异常值剔除后补零，并更新掩码矩阵，并重新训练神经网络模型；将更新后多维时间序列数据x0输入到重新训练过的神经网络模型；循环运行上述内容直到无法发现新的异常值或达到特定循环次数，最终得到的已经剔除了多维时间序列数据x0中的全部异常传感器数据并实现了缺失补全。

34、一种多维时间序列数据诊断与补全系统，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述方法的步骤。

35、一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述方法的步骤。

36、与现有技术相比，本发明的有益技术效果是：

37、本发明在重建的过程中，小波逆变换递归合成原始时间序列，其中细微异常的重建误差将被累积和放大，进而帮助发现数据的异常部分；在重构中能够同时补全自身缺失以及因为数据异常而剔除的缺失部分。