本發(fā)明屬于特種裝備故障診斷，具體涉及一種基于自演進(jìn)擾動感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，能夠有效地對特種裝備運(yùn)行過程中出現(xiàn)的缺失數(shù)據(jù)進(jìn)行重構(gòu)，提高特種裝備故障診斷的精度和可靠性。

背景技術(shù)：

1、特種裝備的故障診斷對于保障軍事行動的安全至關(guān)重要，而準(zhǔn)確的故障診斷依賴于高質(zhì)量的運(yùn)行數(shù)據(jù)。然而，在實際應(yīng)用中，特種裝備的運(yùn)行數(shù)據(jù)常因多種因素出現(xiàn)缺失，這為基于人工智能和大數(shù)據(jù)的故障診斷技術(shù)帶來了極大挑戰(zhàn)。數(shù)據(jù)缺失的根源在于數(shù)據(jù)采集、傳輸、存儲和處理等環(huán)節(jié)的復(fù)雜性和不確定性。例如，惡劣的工業(yè)環(huán)境可能導(dǎo)致傳感器老化、故障，從而造成數(shù)據(jù)采集中斷或異常；網(wǎng)絡(luò)波動、數(shù)據(jù)擁塞等因素可能導(dǎo)致數(shù)據(jù)傳輸過程中出現(xiàn)丟包、延遲，進(jìn)而造成數(shù)據(jù)缺失；人為操作失誤，例如誤刪除數(shù)據(jù)文件、記錄錯誤等，也會造成數(shù)據(jù)缺失。此外，在涉及敏感數(shù)據(jù)的場景下，信息安全更是需要重點關(guān)注的環(huán)節(jié)，確保數(shù)據(jù)在采集、傳輸和存儲過程中不被篡改或泄露，這也為信息技術(shù)在該領(lǐng)域的應(yīng)用提出了更高的要求。

2、傳統(tǒng)的缺失數(shù)據(jù)處理方法，如刪除法、插值法和統(tǒng)計模型法，存在著明顯的局限性。刪除法簡單粗暴，但會造成信息損失，尤其是在數(shù)據(jù)量有限的情況下，更難獲得理想效果；插值法利用周圍已知數(shù)據(jù)點對缺失值進(jìn)行填充，但難以準(zhǔn)確反映數(shù)據(jù)的變化趨勢，尤其是在數(shù)據(jù)缺失較多時；統(tǒng)計模型法依賴于對數(shù)據(jù)分布規(guī)律的假設(shè)，需要大量的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，且泛化能力有限，難以適應(yīng)復(fù)雜的工況環(huán)境。

3、為了克服這些局限性，本發(fā)明提出了基于自演進(jìn)擾動感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法。該方法通過引入一種擾動感知的特征正則化方法，通過數(shù)據(jù)不確定性評估作為正則化項,有效地對缺失數(shù)據(jù)進(jìn)行重構(gòu)，降低了對標(biāo)簽數(shù)據(jù)的依賴，解決特種裝備故障數(shù)據(jù)缺失問題，從而提升了特種裝備故障診斷的精度和可靠性。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于自演進(jìn)擾動感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，旨在解決現(xiàn)有技術(shù)中存在的不足，實現(xiàn)對特種裝備故障數(shù)據(jù)缺失的高效、準(zhǔn)確重構(gòu)。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種基于自演進(jìn)擾動感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，包括以下階段；

4、數(shù)據(jù)預(yù)處理與初始模型訓(xùn)練階段：獲取特種裝備的基礎(chǔ)故障數(shù)據(jù)集樣本，并將其分為完備數(shù)據(jù)集與缺失數(shù)據(jù)集，構(gòu)建多個并行的自學(xué)習(xí)特征提取網(wǎng)絡(luò)以及先驗加權(quán)機(jī)制，并通過完備數(shù)據(jù)集對自學(xué)習(xí)特征提取網(wǎng)絡(luò)和先驗加權(quán)機(jī)制進(jìn)行初始訓(xùn)練；

5、數(shù)據(jù)重構(gòu)與生成樣本構(gòu)建階段：將缺失數(shù)據(jù)集和初始訓(xùn)練后的真實樣本特征編碼作為數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)的輸入，生成完整的重構(gòu)數(shù)據(jù)，設(shè)置約束條件，將重構(gòu)數(shù)據(jù)作為候選重構(gòu)數(shù)據(jù)，判斷候選重構(gòu)數(shù)據(jù)是否接近真實數(shù)據(jù)，若滿足約束條件，則將候選重構(gòu)數(shù)據(jù)輸入生成樣本特征編碼器，得到生成樣本，若不滿足，則返回數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)，重新生成重構(gòu)數(shù)據(jù)；

6、自演進(jìn)擾動感知階段：將真實樣本與生成樣本構(gòu)建為一個公共數(shù)據(jù)集，通過特征正則化擾動網(wǎng)絡(luò)對公共數(shù)據(jù)集進(jìn)行兩層正則化擾動；

7、模型優(yōu)化與輸出階段：采用自適應(yīng)梯度下降法對特征正則化擾動網(wǎng)絡(luò)的參數(shù)進(jìn)行更新，并通過低差異序列蒙特卡羅采樣方法最大化自演進(jìn)擾動感知網(wǎng)絡(luò)模型下界，最終得到完整的特種裝備故障數(shù)據(jù)集。

8、優(yōu)選的，自學(xué)習(xí)特征提取網(wǎng)絡(luò)包括：輸入層、批量歸一化層、卷積層、池化層、卷積層、池化層、卷積層、池化層、全連接層、激活函數(shù)、壓平層和輸出層，訓(xùn)練的過程包括：

9、將完備數(shù)據(jù)集輸入到輸入層，并通過批量歸一化層進(jìn)行歸一化處理，以標(biāo)準(zhǔn)化數(shù)據(jù)并加速訓(xùn)練過程；在每個卷積層中，使用一維卷積核對輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，提取局部特征，并對卷積運(yùn)算的輸出進(jìn)行非線性激活；在每個卷積層后添加一個池化層以進(jìn)行下采樣，提取主要特征并減少計算量；

10、經(jīng)過三次卷積和池化操作后，輸出多維特征圖；將多維特征圖展平成一維向量并輸入到全連接層中，綜合提取特征后進(jìn)行非線性處理；在經(jīng)過激活函數(shù)處理后，通過壓平層將特征圖展平，并通過輸出層生成最終的特征或重構(gòu)數(shù)據(jù)輸出。

11、訓(xùn)練過程中，定義損失函數(shù)來衡量重構(gòu)數(shù)據(jù)與真實數(shù)據(jù)的差異，并選擇優(yōu)化算法adam通過反向傳播算法更新網(wǎng)絡(luò)權(quán)重，不斷優(yōu)化參數(shù)以提高重構(gòu)精度。

12、優(yōu)選的，設(shè)置了先驗加權(quán)機(jī)制，保留了數(shù)據(jù)原本的特性，具體包括：

13、數(shù)據(jù)分析與權(quán)重計算:分析完備數(shù)據(jù)集中每個傳感器數(shù)據(jù)點在不同工況和故障模式下的取值范圍、變化趨勢以及與其他數(shù)據(jù)點的關(guān)聯(lián)性，并基于信息熵計算每個傳感器數(shù)據(jù)點在不同工況和故障模式下的取值范圍、變化趨勢以及與其他數(shù)據(jù)點的關(guān)聯(lián)性對表征特種裝備運(yùn)行狀態(tài)的貢獻(xiàn)度，最終將每個傳感器數(shù)據(jù)點在不同工況和故障模式下的取值范圍、變化趨勢以及與其他數(shù)據(jù)點的關(guān)聯(lián)性轉(zhuǎn)化為相應(yīng)的先驗權(quán)重；

14、權(quán)重嵌入與引導(dǎo):將先驗權(quán)重嵌入到自演進(jìn)擾動感知網(wǎng)絡(luò)的損失函數(shù)或數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)中，引導(dǎo)模型在數(shù)據(jù)重構(gòu)過程中更加關(guān)注高權(quán)重數(shù)據(jù)點的恢復(fù)，降低低權(quán)重數(shù)據(jù)點的影響；

15、動態(tài)調(diào)整:根據(jù)模型對不同數(shù)據(jù)點的重構(gòu)誤差，自適應(yīng)地更新其先驗權(quán)重，從而進(jìn)一步提高模型的重構(gòu)精度和泛化能力。

16、優(yōu)選的，引入數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)，設(shè)置約束條件，對重構(gòu)數(shù)據(jù)進(jìn)行檢驗：

17、數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)接收先驗加權(quán)后的特征向量，并生成候選重構(gòu)數(shù)據(jù)，數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)包括層，其中表示網(wǎng)絡(luò)層數(shù)，令表示數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)第層的運(yùn)算，則數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)的輸出表示為：

18、

19、約束條件設(shè)計:特定故障類型會在頻譜中產(chǎn)生特定的頻率分量；

20、約束條件檢驗:將數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)輸出的候選重構(gòu)數(shù)據(jù)與預(yù)設(shè)的約束條件進(jìn)行比較，判斷其是否滿足要求；

21、結(jié)果修正:對于不滿足約束條件的候選重構(gòu)數(shù)據(jù)，通過以下方式進(jìn)行修正：

22、直接調(diào)整:根據(jù)約束條件對數(shù)據(jù)進(jìn)行微調(diào)，使其回到合理范圍內(nèi)；

23、或重新生成:利用重構(gòu)網(wǎng)絡(luò)再次生成候選重構(gòu)數(shù)據(jù)，直至滿足約束條件。

24、優(yōu)選的，將真實樣本與生成樣本構(gòu)建為一個公共數(shù)據(jù)集，真實樣本特征編碼記為，生成樣本特征編碼記為；其中，表示完備樣本的傳感器數(shù)量，表示數(shù)據(jù)缺失樣本的傳感器數(shù)量，表示完備樣本中的原始特種裝備故障數(shù)據(jù)，表示數(shù)據(jù)缺失樣本中的原始特種裝備故障數(shù)據(jù)，表示完備樣本經(jīng)過特征提取后的特征編碼，表示數(shù)據(jù)缺失樣本經(jīng)過特征提取后的特征編碼，真實樣本特征編碼是通過特征提取網(wǎng)絡(luò)從真實樣本中提取的特征向量，生成樣本特征編碼是通過數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)從生成樣本中提取的特征向量。

25、優(yōu)選的，通過特征正則化擾動網(wǎng)絡(luò)對公共數(shù)據(jù)集進(jìn)行兩層正則化擾動，包括：

26、采用真實樣本特征編碼器作為第一層正則化擾動，對公共數(shù)據(jù)集進(jìn)行第一正則化擾動，將第一層正則化擾動過的完整數(shù)據(jù)集的特征作為第二層正則化擾動，對數(shù)據(jù)集進(jìn)行更新；

27、第一層正則化擾動是在真實樣本特征編碼器的輸出層后添加，遵循多元高斯分布，模擬數(shù)據(jù)中存在的噪聲和波動，增強(qiáng)模型對噪聲的魯棒性；

28、第二層正則化擾動是在生成樣本特征編碼器的輸出層后添加，遵循多元高斯分布，引入額外的隨機(jī)性，促使模型學(xué)習(xí)更本質(zhì)的特征表達(dá)，提升模型的泛化能力。

29、優(yōu)選的，采用自適應(yīng)梯度下降法對擾動網(wǎng)絡(luò)的參數(shù)進(jìn)行更新，包括：

30、最小化真實樣本與生成樣本之間距離的損失函數(shù)，并利用反向傳播算法更新網(wǎng)絡(luò)參數(shù)，實現(xiàn)對特征正則化擾動網(wǎng)絡(luò)的優(yōu)化。

31、定義損失函數(shù):將真實樣本與生成樣本之間的距離作為損失函數(shù)：

32、

33、其中，表示損失函數(shù)，代表特征正則化擾動網(wǎng)絡(luò)的參數(shù)，表示真實樣本與生成樣本之間的距離，表示真實樣本與生成樣本之間的均方誤差，表示真實樣本與生成樣本之間的特征距離，為調(diào)節(jié)參數(shù)，；

34、計算梯度:利用反向傳播算法計算損失函數(shù)對網(wǎng)絡(luò)參數(shù)的梯度；

35、更新參數(shù):使用自適應(yīng)梯度下降算法更新網(wǎng)絡(luò)參數(shù)：

36、其中：為學(xué)習(xí)率，控制每次參數(shù)更新的步長；

37、迭代優(yōu)化:重復(fù)梯度計算與更新參數(shù)，直至損失函數(shù)收斂或達(dá)到預(yù)設(shè)的迭代次數(shù)，最終得到優(yōu)化后的特征正則化擾動網(wǎng)絡(luò)參數(shù)。

38、優(yōu)選的，通過低差異序列蒙特卡羅采樣方法最大化自演進(jìn)擾動感知網(wǎng)絡(luò)模型下界，包括：

39、低差異序列蒙特卡羅采樣:從特征正則化擾動網(wǎng)絡(luò)引入的先驗分布中進(jìn)行次獨立采樣，得到一組參數(shù)樣本；

40、計算模型下界:對于每個參數(shù)樣本，計算其對應(yīng)的模型對數(shù)似然，并利用所有樣本的平均值作為模型下界的估計：

41、

42、其中：表示模型下界，代表全部傳感器總數(shù)；

43、最大化模型下界:?將模型下界作為優(yōu)化目標(biāo)，利用梯度上升算法更新模型參數(shù)，使其最大化：

44、

45、其中：為學(xué)習(xí)率；

46、迭代優(yōu)化:重復(fù)上述步驟，直至模型下界收斂或達(dá)到預(yù)設(shè)的迭代次數(shù)，最終得到優(yōu)化后的模型參數(shù)。

47、優(yōu)選的，整個自演進(jìn)擾動感知網(wǎng)絡(luò)的優(yōu)化目標(biāo)為：

48、

49、

50、其中：代表特征正則化擾動網(wǎng)絡(luò)的參數(shù)，表示真實樣本與生成樣本之間的距離，表示模型下界，為調(diào)節(jié)參數(shù)。

51、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

52、增強(qiáng)的特征提取能力：通過自學(xué)習(xí)特征提取網(wǎng)絡(luò)，能夠從完備數(shù)據(jù)集中有效提取特種裝備故障的關(guān)鍵特征。此外，先驗加權(quán)機(jī)制的應(yīng)用不僅保留了時頻域的關(guān)鍵特性，還維持了數(shù)據(jù)的均值信息，同時還能預(yù)測數(shù)據(jù)的可變方差，為后續(xù)的數(shù)據(jù)重構(gòu)提供了更為豐富和精確的信息。

53、高精度的數(shù)據(jù)重構(gòu)：利用數(shù)據(jù)重構(gòu)網(wǎng)絡(luò)生成的樣本接近真實數(shù)據(jù)，配合嚴(yán)格的約束條件，確保了重構(gòu)數(shù)據(jù)的高精度，有效克服了數(shù)據(jù)缺失帶來的診斷精度下降問題。

54、創(chuàng)新的正則化策略：引入擾動感知的特征正則化方法，通過評估數(shù)據(jù)的不確定性并將其作為正則化項，有效減少了由高缺失率引起的網(wǎng)絡(luò)偏差和特征退化，增強(qiáng)了模型的泛化能力。

55、優(yōu)化的算法應(yīng)用：采用低差異序列蒙特卡羅采樣和自適應(yīng)梯度下降算法，進(jìn)一步優(yōu)化了模型的診斷準(zhǔn)確性和穩(wěn)定性，確保即使在極端條件下也能維持較高的重構(gòu)精度。

56、總的來說，本發(fā)明提供的基于自演進(jìn)擾動感知網(wǎng)絡(luò)的數(shù)據(jù)缺失重構(gòu)方法，不僅解決了多傳感器信息融合中的數(shù)據(jù)缺失問題，而且通過有效地重構(gòu)缺失數(shù)據(jù)，極大地提升了特種裝備在數(shù)據(jù)不完整情況下的運(yùn)行效率和整體的設(shè)備安全性。