申请/专利权人：重庆大学

申请日：2022-03-30

公开（公告）日：2024-06-28

公开（公告）号：CN114676121B

主分类号：G06F16/215

分类号：G06F16/215;G06F16/2458;G06N3/049;G06N3/0442;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.07.15#实质审查的生效;2022.06.28#公开

摘要：本发明提供了一种基于多尺度时空记忆共享网络的缺失监测数据填补方法，针对性的采用了多尺度时空记忆共享网络来实现对监测数据的预测和填补，多尺度时空记忆共享网络通过预先训练记录了大型旋转机组在不同工作工况状态下的历史监测数据中在不同时间尺度的监测数据所对应的数据特征，在进行数据填补时，首先对测试监测数据进行时间尺度信息及其相对应的数据特征的提取，然后从历史监测数据中查询出具有相匹配数据特征的时间尺度所对应的监测数据原型，并据此预测出测试监测数据之后的监测数据预测值，由于历史监测数据的真实性与正确性较容易把控和保证，因此避免了异常预测数据的产生，从而更好的保证了数据填补的准确性。

主权项：1.基于多尺度时空记忆共享网络的缺失监测数据填补方法，其特征在于，包括如下步骤：S1、获取大型旋转机组的缺失监测数据前一段时间尺度范围的监测数据，作为测试监测数据；S2、将所述测试监测数据输入多尺度时空记忆共享网络；所述多尺度时空记忆共享网络通过预先训练记录了大型旋转机组在不同工作工况状态下的历史监测数据中在不同时间尺度的监测数据所对应的数据特征；S3、所述多尺度时空记忆共享网络提取所述测试监测数据的时间尺度信息及其相对应的数据特征，与历史监测数据进行时间尺度和数据特征匹配，并根据历史监测数据中数据特征相匹配的时间尺度所对应的监测数据，预测出所述测试监测数据之后的监测数据预测值，对缺失监测数据进行填补；所述多尺度时空记忆共享网络包括特征编码层、记忆共享层和特征解码层；所述特征编码层用于提取测试监测数据的时间尺度信息及其相对应的数据特征；所述记忆共享层通过预先训练记录了大型旋转机组在不同工作工况状态下的历史监测数据中在不同时间尺度的监测数据所对应的数据特征，用于根据测试监测数据的时间尺度信息及对应的数据特征与历史监测数据进行时间尺度和数据特征匹配，得到历史监测数据中相匹配的时间尺度和数据特征；所述特征解码层具有通过预先根据大型旋转机组在不同工作工况状态下的历史监测数据与其在不同时间尺度下的数据特征之间的关联关系加以训练所得到的监测数据预测模型，用于根据所述历史监测数据中相匹配的时间尺度和数据特征，预测出所述测试监测数据之后的监测数据预测值；所述特征编码层包括多个特征编码单元，多个特征编码单元用于分别提取测试监测数据在不同时间尺幅范围的时间尺度信息及其相对应的数据特征；所述特征编码层的每个特征编码单元在特征解码层中均关联有一个特征解码单元；每个特征解码单元用于根据其关联的特征编码单元提取的时间尺度信息及其相对应的数据特征在记忆共享层所匹配到的历史监测数据中的时间尺度和数据特征，预测出所述测试监测数据之后的一个监测数据预测值；每个所述特征解码单元根据其关联的特征编码单元提取的时间尺度信息及其相对应的数据特征在记忆共享层所匹配历史监测数据中的时间尺度和数据特征的表达式为：数据特征寻址匹配的表达式：时间尺度寻址匹配的表达式：其中，记忆共享层为H×F×D三维矩阵：第一维代表不同时间尺度，数量为H；第二维代表每个时间尺度中包含特征的个数，数量为F；第三维代表每个特征的维度，数量为D；yj为数据特征寻址匹配结果，yjk为第k个时间尺度中查询匹配到的数据特征；y为时间尺度寻址匹配结果，为各个时间尺度匹配到的数据特征的加权求和，作为特征解码单元输出的监测数据预测值；hwj为匹配查询中进行权重自选择后的权重值，hsigmoidwsk为匹配查询中进行权重自选择后的时间尺度查询向量ws中第k时间尺度查询值wsk的sigmoid函数映射值；所述多尺度时空记忆共享网络还包括多尺度动态融合层，所述多尺度动态融合层用于对各个特征编码单元的监测数据预测值进行加权求和运算，得到融合后的监测数据预测值，作为缺失监测数据的填补数据。

全文数据：

权利要求：

百度查询： 重庆大学 基于多尺度时空记忆共享网络的缺失监测数据填补方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD