旋转机械运维数据缺失重构方法、系统、介质及设备

本发明涉及旋转机械运维，特别涉及一种旋转机械运维数据缺失重构方法、系统、介质及设备。

背景技术：

1、在旋转机械智能运维领域，旋转机械的核心传动部件会部署大量不同种类的传感器进行实时监测，如齿轮箱和轴承等部件周围会部署振动加速度、声压、转速、温度等传感器。在工程实际中，传感器或数采设备出现突发情况造成运维数据缺失，需要对缺失数据进行高精度重构保证运维分析的准确性。压缩感知技术已经在旋转机械监测的数据采集和重构、无线数据传输等领域有广泛的应用和研究，其需要通过凸优化算法得到数据的稀疏表示，但是需要数据在满足特定条件下才可保证较好的恢复效果。

2、背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

技术实现思路

1、本发明提供一种旋转机械运维数据缺失重构方法、系统、介质及设备，克服了运维中数据缺失的问题，本发明能够解决旋转机械多源运维缺失数据的同步重构，考虑数据间的稀疏相关性，实现高可信度的数据重构。

2、一种旋转机械运维数据缺失重构方法包括：

3、步骤s1，采集有缺失的旋转机械多源运维数据，通过小波阈值去噪方法对所述旋转机械多源运维数据进行降噪；

4、步骤s2，对降噪后的旋转机械多源运维数据进行滑窗分割，根据数据窗的大小和数据的通道数构建压缩感知卷积神经网络模型，压缩感知卷积神经网络模型包括稀疏表示域输入层、域系数卷积层、运算层、压缩采样层；

5、步骤s3，建立旋转机械多源运维数据的稀疏表示域矩阵，将稀疏表示域矩阵作为压缩感知卷积神经网络模型的输入，输出重构的多源压缩数据，通过构建的损失函数训练模型，优化域系数卷积层中的卷积核参数，当模型收敛时，提取模型训练过程中重构出的多源完整数据，并进行下一个数据窗的缺失数据重构直到重构出所有的多源完整数据。

6、所述的一种旋转机械运维数据缺失重构方法中，小波阈值去噪方法包括：

7、对有缺失的旋转机械多源运维数据进行小波分解，选择db10小波基将其分解为三个层次的细节系数，，和一个近似系数，

8、估计有缺失的旋转机械多源运维数据中的噪声水平，通过的中位数来估算噪声的标准差，然后计算阈值：

9、

10、

11、其中n为模型中数据窗的长度，表示取中位数，

12、对有缺失的旋转机械多源运维数据进行软阈值去噪，过程中对于每个细节系数，，，如果其绝对值大于阈值，则保留系数并进行阈值修正；如果其绝对值小于阈值，则将其置为零，对于每个小波系数，软阈值去噪的操作是：

13、

14、其中是系数的符号函数，表示为：

15、

16、去噪后的细节系数，，和近似系数被用来重构降噪后的信号，重构的降噪后的信号通过逆离散小波变换idwt结合去噪后的系数进行重构，公式为：

17、

18、其中是逆离散小波变换。

19、所述的一种旋转机械运维数据缺失重构方法中，有缺失的旋转机械多源运维数据去噪前，将缺失部分填充为0，去噪后再将缺失部分还原为空值，有缺失的旋转机械多源运维数据进行不重叠数据窗划分，缺失部分用nan占位，针对不足数据窗长度的数据进行0填充。

20、所述的一种旋转机械运维数据缺失重构方法中，压缩感知卷积神经网络模型中稀疏表示域输入层为双输入，分别是稀疏表示域矩阵的实数域矩阵和虚数域矩阵，域系数卷积层包含域系数的实数域系数和虚数域系数计算得到的中间隐层数据，激活函数为线性函数，通过运算层得到完整信号的实数部分和虚数部分，通过压缩采样层得到重构后的压缩信号的实数部分和虚数部分。n表示采样点数，k表示通道数，完整信号的具体计算过程如下：

21、

22、

23、

24、

25、

26、

27、

28、

29、其中表示虚数单位，即，为压缩采样层中的采样矩阵，为哈达玛积。

30、所述的一种旋转机械运维数据缺失重构方法中，稀疏表示域矩阵基于有缺失的旋转机械多源运维数据选择，若有缺失的旋转机械多源运维数据属于平稳数据，选用离散傅里叶复数稀疏表示域矩阵dft；当旋转机械运维数据属于非平稳数据，选用哈曼小波复数稀疏表示域矩阵，其中，

31、离散傅里叶复数稀疏表示域矩阵大小为，其生成过程如下：

32、

33、

34、其中和分别是稀疏表示域矩阵的行列索引，从0到，是基本单位复根，为虚数单位，即，

35、哈曼小波复数稀疏表示域矩阵大小为，其生成过程如下：

36、

37、其中为小波子集数量，是小波宽度，

38、哈曼小波复数稀疏表示域矩阵中每个小波子集中包含个长度为的全零列向量，小波子集索引，每个小波中的全零列向量索引，首先对进行赋值，情况如下：

39、

40、该式表示将中第到行的数据赋值为1，

41、对进行逆傅里叶变换得到时域序列，并对其进行归一化得到，使得其幅值最大值为1，并依次储存在哈曼小波复数稀疏表示域矩阵中的每一列，计算过程如下：

42、

43、

44、其中表示逆傅里叶变换，表示求最大值。

45、所述的一种旋转机械运维数据缺失重构方法中，域系数采用随机初始化的方式进行迭代更新，更新过程中采用elastic net正则化，网络的损失函数l包含均方误差和正则化项，损失函数设置如下：

46、

47、其中表示多源数据的通道数，表示第j个通道的原始缺失数据中的值，表示第j个通道的重构的缺失数据中的值，和分别是控制正则化和正则化的权重，和分别表示1范数和2范数计算。

48、所述的一种旋转机械运维数据缺失重构方法中，域系数采用随机初始化并通过adam算法进行优化，优化过程和步骤如下：

49、

50、

51、其中和是当前迭代步数t的梯度一阶矩和二阶矩，和分别是一阶矩和二阶矩的衰减因子，是当前的参数值，和分别是当前时刻梯度和梯度的平方，

52、在adam算法的初期，由于和的初始化为零，导致其估计值会有偏差,因此，需要对其进行偏置修正，使其更接近真实的梯度信息，偏置修正过程为：

53、，

54、其中是偏置修正后的一阶矩，是偏置修正后的二阶矩，adam使用修正后的和来更新参数：

55、

56、其中，是学习率，是一个非常小的常数,

57、adam算法步骤如下：

58、步骤1，初始化参数：初始化一阶矩，二阶矩，学习率以及衰减因子和。

59、步骤2，迭代更新：计算当前梯度，更新一阶矩和二阶矩，对和进行偏置修正，使用修正后的和更新参数。

60、步骤3，停止条件：重复步骤2，直到损失函数收敛或者达到预定的最大迭代次数。

61、一种实施所述的方法的系统包括：

62、采集模块，其用于采集有缺失的旋转机械多源运维数据，通过小波阈值去噪方法对所述旋转机械多源运维数据进行降噪；

63、构建单元，其用于对降噪后的旋转机械多源运维数据进行滑窗分割，根据数据窗的大小和数据的通道数构建压缩感知卷积神经网络模型，压缩感知卷积神经网络模型包括稀疏表示域输入层、域系数卷积层、运算层、压缩采样层；

64、重构单元，其用于建立旋转机械多源运维数据的稀疏表示域矩阵，将稀疏表示域矩阵作为压缩感知卷积神经网络模型的输入，输出重构的多源压缩数据，通过构建的损失函数训练模型，优化域系数卷积层中的卷积核参数，当模型收敛时，提取模型训练过程中重构出的多源完整数据，并进行下一个数据窗的缺失数据重构直到重构出所有的多源完整数据。

65、一种计算机存储介质，所述存储介质包括计算机指令，当其在计算机上运行时，使得计算机执行所述的方法。

66、一种电子设备，所述电子设备包括：

67、存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，

68、所述处理器执行所述程序时实现所述的方法。

69、和现有技术相比，本发明具有以下优点：本发明对缺失信号进行小波阈值降噪，提高信号的稀疏性，减少噪音对数据重构精度的影响；构建的压缩感知卷积神经网络嵌入了压缩感知的数学原理，使得卷积神经网络具有可解释性；同时数据缺失重构过程中采用压缩感知卷积神经网络的非凸优化算法对数据的稀疏表示进行优化求解，求解过程中结合了多通道缺失数据间的稀疏相关性，实现多源缺失数据的高可信度重构。