核电装备运维数据集增强方法、系统、介质及设备

本发明涉及核电装备运维数据处理，特别涉及一种核电装备运维数据集增强方法、系统、介质及设备。

背景技术：

1、通常情况下，核电装备运维数据越充足、故障类型越多样化，智能故障诊断模型的准确性就越高。然而在实际过程中，机械设备出现故障的情况较为罕见，对于核电这种高可靠性装备，在部件发生故障之前一般会提前更换，故障发生的概率更是少之又少。这就导致了即使状态监测系统持续不断的收集大量数据，但故障样本相对较少。这种正常和故障样本数量不平衡的情况会导致智能诊断模型的训练不平衡，即以牺牲少数样本的分类准确率的前提下去满足整体分类准确率。

2、生成对抗网络(generativeadversarialnetwork,gan)从数据生成角度为故障诊断中的样本不平衡问题提供了一种可行的解决方案。gan能够从原始数据中获取特征，生成与原始数据具有相同分布的新样本。然而gan面临着模型训练过程中会出现梯度消失和模式崩塌等问题，导致模型难以训练，同时生成的样本也不具备多样性。另外，现有的方法很少全面考虑数据生成过程中传感器信号的全局相互作用和局部依赖性，导致生成样本质量不佳。因此，如何在保证生成样本多样性的同时提高样本质量，是一个急需思考的问题。

3、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、本发明提供一种核电装备运维数据集增强方法、系统、介质及设备，生成故障状态下的样本并达到数据集正负样本平衡，提高故障诊断准确率。

2、一种核电装备运维数据集增强方法包括：

3、第一步骤，采集核电装备不同健康状态的信号；

4、第二步骤，在网络生成器中引入残差收缩构建单元rsbu-cw，防止网络关注无关紧要特征；

5、第三步骤，构建残差通道注意力掩码自注意力模块rca-sa，用于提取信号全局与局部特征；

6、第四步骤，构建多尺度特征级联模块msfc以重组特征，增强模型的表征能力和泛化能力；

7、第五步骤，构建生成对抗网络的生成器和判别器，引入wasserstein距离，输出与原始样本相似的伪样本，实现核电装备运维数据增强。

8、所述的一种核电装备运维数据集增强方法中，第一步骤中，利用传感器采集核电装备正常状态和故障状态下的信号以获取核电装备多维运行信号，传感器包括振动传感器、位移传感器、温度传感器、压力传感器和流量传感器。

9、所述的一种核电装备运维数据集增强方法中，第二步骤包括，

10、进行特征前向处理，输入特征矩阵b代表批量数，c代表通道数，n代表特征维度，依次经过两个连续的1×3卷积层，每层后接批量归一化层bn与relu激活函数，输出中间特征矩阵x2：

11、

12、其中，x1为经过一个卷积层后的输出，x2为经过连续两个卷积层后的输出，relu(·)为激活函数操作，bn(·)为批量归一化操作，f1×3(·)为1×3卷积层操作，

13、进行通道注意力生成，对绝对值化x2进行全局平均池化操作得到特征矩阵随后将特征矩阵a输入到注意力模块中挖掘通道的关联信息，得到特征矩阵注意力模块包含两个全连接层，中间加入bn层和relu激活函数，特征矩阵s经过sigmoid激活层进行归一化，得到的值记为αi：

14、

15、其中，αi为针对每个通道计算出的激活值；si为特征矩阵s的第i个通道的特征值，

16、进行自适应阈值计算，将通道注意力权重α与特征矩阵a进行逐通道相乘，生成动态阈值矩阵τ：

17、τ＝α⊙a

18、其中，⊙为逐元素点乘操作，

19、进行软阈值化处理，对特征矩阵x2应用软阈值化处理得到特征矩阵x3，软阈值化处理如下：

20、

21、其中，y为软阈值化处理的输出，x为软阈值处理前的输入，τ为阈值，由动态阈值矩阵τ对应通道的统计量确定，

22、进行残差连接，将输入特征矩阵x与软阈值化输出矩阵x3按元素相加，得到最终输出矩阵y：

23、y＝x+x3

24、残差收缩构建单元rsbu-cw通过通道注意力机制实现特征通道的差异化加权，结合软阈值化消除冗余信息，并利用残差结构保障梯度传播稳定性。

25、所述的一种核电装备运维数据集增强方法中，第三步骤包括，

26、进行多分支特征映射，输入特征矩阵b代表批量数，c代表通道数，n代表特征维度，通过三个独立的1×1卷积核分别生成查询矩阵q、键矩阵k、值矩阵v：

27、

28、其中，f1×1(·)为1×1卷积层操作，

29、进行多头分割与编码，将查询矩阵、键矩阵、值矩阵分割成p个不同的注意力头，同时掩码输入m也拆分成p个头，每个头的维度均为b×c/p×n，分割后表示为：

30、

31、其中，contact(·)为拼接操作，q1,q2,…,qp为不同的查询矩阵头，k1,k2,...,kp为不同的键矩阵头，v1,v2,...,vp为不同的值矩阵头，m1,m2,...,mp为不同的掩码输入头，

32、进行多头自注意力计算，将查询矩阵qj和键矩阵kj相乘结果的每一行通过softmax函数进行归一化处理，在执行softmax操作之前，加入相对位置编码，让自注意力机制能够更有效地捕捉序列中元素之间的相对位置信息，同时，每个值矩阵vj的头和掩码矩阵mj按元素相乘，以便在值矩阵中融入不同通道的权重差异：

33、

34、其中，encode(·)为相对位置编码操作，softmax(·)为归一化操作，p为注意力头的个数，qjt为查询矩阵qj的转置矩阵，

35、进行特征融合与输出，将p个注意力头的输出沿通道维度拼接，并通过1×1卷积进行降维整合，得到最终输出xo：

36、

37、其中，f1×1(·)为1×1卷积层操作，

38、通过多头自注意力机制实现时空维度的差异化权重分配，最终在抑制噪声特征的同时强化关键特征的跨通道与跨时序关联性。

39、所述的一种核电装备运维数据集增强方法中，第四步骤包括，

40、多尺度特征划分与层次化提取，输入特征矩阵b代表批量数，c代表通道数，n代表特征维度，通过1×1卷积核进行初始映射，生成中间特征矩阵p1，随后按通道维度将p1平均划分成n个部分，接着利用1×1深度可分离卷积操作进行分层次特征提取，上述过程表示成：

41、

42、其中，split(·)为按通道划分操作，为1×1深度可分离卷积操作，为第i个输出子特征，p1i为第i个中间子特征，

43、进行跨尺度特征融合，将各子特征输出沿着通道维度拼接，并通过1×1卷积核进行跨通道整合，并通过残差连接将原始输入特征与级联特征按元素相加，得到最终输出特征po：

44、

45、其中，contact(·)为拼接操作，f1×1(·)为1×1卷积层操作，

46、通过多尺度通道划分与层次化残差融合，结合深度可分离卷积降低参数量，并通过跨尺度级联重组提升模型对信号时频特征的泛化表征能力。

47、所述的一种核电装备运维数据集增强方法中，第五步骤包括：

48、构造生成器，假设噪声向量b代表批量数，dz代表向量维度，噪声向量首先经过全连接层，得到输出向量f0：

49、

50、其中，leakyrelu(·)代表激活函数操作，bn(·)代表批量归一化操作，w0代表全连接权重矩阵，b0代表偏置向量，

51、之后经过第一个反卷积模块和rsbu-cw模块，得到输出向量f1，rsbu-cw模块首先针对生成虚假信号任务，去除噪声向量中的冗余信息：

52、f1＝rsbu_cw(leakyrelu(bn(convt(f0))))

53、其中，rsbu_cw(·)代表rsbu-cw模块操作，convt(·)代表反卷积操作，

54、rca-sa模块应用在第二个反卷积模块后，得到输出向量f2，在不同通道维度视角下深度捕捉同一信号样本各位置间的权重关系：

55、f2＝rca_sa(leakyrelu(bn(convt(f1))))

56、其中，rca_sa(·)代表rca_sa模块操作，

57、msfc模块应用在第三个反卷积模块后，得到输出向量f3，将经过rsbu-cw模块去噪和rca-sa模块提取后的信息进行多尺度特征级联，进行信息整合：

58、f3＝msfc(leakyrelu(bn(convt(f2))))

59、其中，msfc(·)代表msfc模块操作，

60、经过最后一个反卷积模块并进行reshape重塑后，虚假向量x终生成，并与原始样本一起输入到判别器中：

61、x＝reshape(convt(f3))

62、其中，reshape(·)代表重塑操作，

63、构造判别器，判别器由一系列卷积模块组成，每个卷积模块包括一个卷积层，后接批量归一化bn和激活函数leakyrelu，每个卷积模块后接最大池化层：

64、xi＝maxpool(leakyrelu(bn(convi(xi-1))))

65、其中，maxpool(·)代表全局平均池化操作，xi,xi-1代表判别器中间特征向量，convi代表第i个卷积操作，

66、最后接全局平均池化层，将特征维度降为1，以辨识输入样本的真伪，

67、

68、其中，gap(·)代表全局平均池化操作，为判别器输出，

69、引入wasserstein距离，构造模型的损失函数，生成器和判别器的损失函数分别为：

70、

71、其中，e为数学期望运算符，x为真实样本数据，z为潜在空间中的随机噪声向量，g(z)为生成器基于噪声z生成的合成样本，d(x)为判别器对真实样本x的评分值，min(·)为取最小值，max(·)为取最大值。

72、所述的一种核电装备运维数据集增强方法中，核电装备包括核电汽动给水泵。

73、一种实施所述的方法的系统包括：

74、采集模块，其采集核电装备不同健康状态的信号；

75、第一构建单元，其用于在网络生成器中引入残差收缩构建单元rsbu-cw，防止网络关注无关紧要特征；

76、第二构建单元，其用于构建残差通道注意力掩码自注意力模块rca-sa，用于提取信号全局与局部特征；

77、第三构建单元，其用于构建多尺度特征级联模块msfc以重组特征，增强模型的表征能力和泛化能力；

78、增强单元，其用于构建生成对抗网络的生成器和判别器，引入wasserstein距离，输出与原始样本相似的伪样本，以核电装备运维数据增强。

79、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。

80、一种电子设备，所述电子设备包括：

81、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，

82、所述处理器执行所述程序时实现所述的方法。

83、和现有技术相比，本发明具有以下优点：本发明通过在gan网络的生成器和判别器损失中引入wasserstein距离，尽可能避免gan网络梯度消失和模式崩塌问题。另一方面，利用自注意力机制与新颖的通道注意机制，设计残差通道注意力掩码的多头自注意力模块，并将其应用在生成器中，从全局和局部两个层面捕捉核电装备不同故障类型下一维时间序列信号的故障特征。本发明还可作为其他高可靠性设备故障诊断的前处理部分，拓展了其在工程应用中的实际价值。