基于TimeGAN的机电伺服系统多维信号异常数据智能检测方法

技术领域

本发明属于机电伺服系统的状态监测技术领域，具体涉及一种基于TimeGAN的机电伺服系统多维信号异常数据智能检测方法。

背景技术

机电伺服系统是以电动机为主要驱动元件的一类伺服系统，广泛应用于工业生产和国防科技等重要领域。作为控制系统中的关键环节，伺服系统的精确度和可靠性与控制系统的性能和工作状态息息相关。在机电伺服系统运行过程中，传感器难以避免地会受到元器件磨损、工作环境变化、以及其余干扰信号的影响，使得传感器的输出中不可避免地含有异常数据；在采集传感器数据的过程中，测量精度、测量方法以及数据变异等因素也会导致异常数据的产生。在异常数据的影响下，机电伺服系统的稳定性和精确度将会发生一定程度的下降，造成资源浪费、经济损失以及人力消耗等诸多问题。通过监测机电伺服系统输出的异常数据，能够及时判断系统的工作状态，从而实现对故障的提前预警，对保障机电系统的稳定性和安全性具有重要意义。

目前主流的机电伺服系统的异常检测方法可以分为基于统计和基于分类的异常数据检测方法。基于统计的方法包括主成分分析法、偏最小二乘法等，其检测能力较为稳定，但检测阈值往往需要提前设定，且面对复杂数据时需要人工调整。而基于分类的异常检测方法又可以分为传统方法与深度学习方法。传统方法包括贝叶斯网络和支持向量机等，此类方法具有良好的泛化能力，但其检测精度较低。随着工程领域对系统的要求不断提高，机电伺服系统日趋复杂，使得系统异常原因更加复杂多变、难以定位，所获的数据种类庞杂且不同数据之间的相关性小，仅仅依靠传统的数据处理方式容易出现难以寻找有效数据、遗漏关键数据特征等问题。因此，在异常数据检测中引入深度学习成为近年来发展的主要趋势。在时序数据异常检测领域中，深度学习模型能够充分挖掘数据间的内部相关性，进而学习到有效的数据特征，实现时序数据的异常数据检测。

但基于深度学习的异常数据检测方法通常需要大量的原始样本支撑模型训练，当数据集规模与数据质量难以与深度学习模型的算力匹配时，可能会导致模型过拟合或者无法训练等问题。而在复杂机电系统中，往往面临着数据采集困难、数据采集成本高、测试实验设计复杂等问题，导致获得的原始样本量规模较小，难以为深度学习网络的训练提供充足的数据支撑。

发明内容

本发明的目的在于提供一种基于TimeGAN的机电伺服系统多维信号异常数据智能检测方法，该方法可用于机电系统原始数据不足时的多维信号异常数据检测，能够在训练样本规模较小的情况下，通过数据增强扩大数据集规模，为基于深度学习的异常检测模型提供充足的数据，从而提高检测模型的准确度和精确度。

本发明的技术方案如下：

一种基于TimeGAN的机电伺服系统多维信号异常数据智能检测方法，包括以下步骤：

S1：采集多个同类型的机电伺服系统传感器时序数据，对采集到的时序数据进行数据预处理；

S2：将上述预处理后的时序数据输入到TimeGAN模型中进行训练，使用训练好的TimeGAN模型生成一定规模的合成数据集，与原始样本合并为扩充数据集；

S3：对基于LSTM-Deep SVDD的异常检测模型进行初始化；

S4：将扩充数据集输入到基于LSTM-Deep SVDD的异常检测模型中进行训练，优化超球面半径，使得原始数据尽可能地收缩在以c为中心，以R为半径的超球面内；

S5：将测试数据输入训练好的异常检测模型，计算判断标准；

S6：将待检测数据输入训练好的异常检测模型，计算判断阈值s，以此判断数据是否异常。

进一步的，S1中预处理方式包括缺失值填补、数据归一化、滤波以及数据集维度重构。

进一步的，S1中采集多个同类型的机电伺服系统传感器时序数据，对采集到的时序数据进行数据预处理的方法为：

缺失值填补采用缺失数值所属传感器采集数值的众数进行填补；

数据归一化使用线性归一化，其公式为：

X

其中，X表示传感器采集到的时序数据，X

滤波使用滑动平均算法实现，其公式为：

其中，l表示滑动窗口的半径，x

数据集维度重构具体为：

采集到的多维传感器时序数据属于二维表格类型数据，共有m行采集时刻，c

进一步的，S2中合成数据集生成的方法为：

基于自编码器网络和生成对抗式网络构建数据增强模型；

训练自编码网络，学习样本的静态特征和动态特征；

联合训练自编码器网络和生成对抗性网络，使生成对抗性网络中的潜在特征与自编码器网络中的潜在特征同步；

使用训练好的数据增强模型生成合成数据。

进一步的，S3中对于基于LSTM-Deep SVDD的异常检测模型进行初始化的方法为：

构建一个双层的LSTM预测网络，将扩充数据集每个时序的最后一组数值作为预测的真实值y，预测网络的输出包括预测结果

其中，N

初始化超球面半径。

进一步的，S4中将扩充数据集输入到基于LSTM-Deep SVDD的异常检测模型中进行训练，优化超球面半径的方法为：

训练数据点距离超球中心的计算公式为：

Dist(x

网络的损失函数为：

其中，模型的训练数据集为

进一步的，S5中将测试数据输入训练好的异常检测模型，计算判断标准的方法为：

将测试集输入到训练好的异常数据检测模型，计算测试集中每一组时序数据相对于超球中心的距离并保存；计算保存的距离与超球体半径R差值的绝对值，挑选出与超球体表面相近的数据点的距离值，并计算均值，将该数据与半径R差值的绝对值记为E，则异常数据判断的判断标准为：

Dist＜R+E。

进一步的，S6中将待检测数据输入训练好的异常检测模型，计算判断阈值s，以此判断数据是否异常的方法为：

选择Dist作为判断阈值s，即为如下计算公式：

s(x

当s小于判断标准时，判断数据为正常数据，否则即为异常数据。

与现有技术相比，本发明的优势在于能够在原始样本不足的情况下，继续使用深度学习模型挖掘数据特征，改善因数据量不足而引起的深度学习模型无法训练以及训练效果不理想等问题，提高异常检测模型的精确度和稳定性。

附图说明

图1为基于TimeGAN的机电伺服系统多维信号异常数据智能检测方法流程图；

图2为数据增强模型示意图；

图3为异常数据检测模型示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明针对机电系统多维信号设计了一种基于TimeGAN的机电伺服系统多维信号异常数据智能检测方法。该方法可以分为数据预处理、数据增强模型构建以及异常检测模型构建三大部分。

本实施例中所用到的多维信号是分布在机电系统不同位置的同类传感器信号的数据集合，获得的二维数据集表示为

一种基于TimeGAN的机电伺服系统多维信号异常数据智能检测方法，包括以下步骤：

S1：采集多个同类型的机电伺服系统传感器时序数据，对采集到的时序数据进行数据预处理；

数据预处理共包括3个步骤，具体内容如下：

步骤一：缺失值填补

受到测试环境影响以及传感器自身的性能限制，采集到的机电系统传感器信号可能会出现部分数值缺失的情况。为了不对后续的数据处理和数据分析造成影响，这里采用众数填充的方式填补缺失值，即对每一个传感器采集到的时序数据X，计算其众数，并将其填充进数值缺失处。

步骤二：归一化

归一化使用线性归一法方法，其公式为：

X

其中，X表示传感器采集到的时序数据，X

步骤三：滤波

滤波采用滑动平均算法进行里程碑，其公式为：

其中，l表示滑动窗口的半径，x

步骤四：维度重构

在一些实施例中，采集到的多维传感器时序数据属于二维表格类型数据，共有m行采集时刻，c

将X

S2：将上述预处理后的时序数据输入到TimeGAN模型中进行训练，使用训练好的TimeGAN模型生成一定规模的合成数据集，与原始样本合并为扩充数据集；

数据增强模型TimeGAN构建的方法如下：

TimeGAN模型主要由嵌入网络，重构网络，序列生成器以及序列判别器四种网络组成。训练过程中，前两种网络组成的自编码网络将与后两种网络组成的生成对抗性网络共同训练：对抗性网络在嵌入式网络提供的隐空间中运行，真实样本与合成数据的潜在特征使用有监督的损失函数进行同步。具体内容为：

经过数据预处理的三维数据集

训练过程包括三个步骤，具体内容如下：

步骤一：训练自编码器网络

自编码器网络的内在网络模型均使用自编码器进行构建。训练集T

其中，

步骤二：自编码器网络和生成对抗性网络的联合训练

在生成对抗性网络中，序列生成器包括静态特征生成器g

将训练集和随机时序噪声分别表示为{(s,x

将序列生成器的输出和嵌入网络的输出进行混合，输入到序列判别器中。序列判别器输出判别结果

步骤三：使用训练好的数据增强模型生成合成数据，在本实施例中，生成了与训练集等量的合成数据集，与训练集合并组成扩充数据集

S3：对基于LSTM-Deep SVDD的异常检测模型进行初始化；

S4：将扩充数据集输入到基于LSTM-Deep SVDD的异常检测模型中进行训练，优化超球面半径，使得原始数据尽可能地收缩在以c为中心，以R为半径的超球面内；

S5：将测试数据输入训练好的异常检测模型，计算判断标准；

S6：将待检测数据输入训练好的异常检测模型，计算判断阈值s，以此判断数据是否异常。

异常检测模型构建

在本发明中，使用以LSTM为核心，Deep SVDD为主要架构的模型进行异常检测。算法的核心思想是使用LSTM将样本从输入空间映射到输出空间，使样本在输出空间中尽可能地收缩在以c为中心，以R为半径的超球面内。将扩充数据集

步骤一：检测模型构建及初始化

该异常检测模型的内部网络结构包括两个LSTM层，一个dropout层，两个全连接层以及一个Relu激活函数层。网络的第一部分为LSTM层和dropout层，二者将样本从输入空间映射到输出空间，在实施例中，第一层LSTM的输出维数为50，第二层LSTM的输出维数为100，并保留第二层LSTM的输出hn2作为后续的输入。网络的第二部分为全连接层和激活函数层，二者将样本从输出空间还原到原始维度，与第一部分共同组成预测网络，全连接层的输出为预测结果

其中，N

初始化超球面半径，在实施例中设为0，该值对网络的计算结果影响较小。

步骤二：异常检测模型训练

保留预训练的网络权重，输入训练集TR进行训练，进行超球体半径的优化。由于训练集中正常数据占绝大多数，这里使用单分类的Deep SVDD框架进行优化。训练数据点距离超球中心的计算公式为：

Dist(x

网络的损失函数为：

其中，模型的训练数据集为

步骤三：检测阈值

将测试集输入到训练好的异常数据检测模型，计算测试集中每一组时序数据相对于超球中心的距离并保存。计算保存的距离数据与超球体半径R差值的绝对值，在本实施例中，差值小于0.0002的数据被认为是与超球体表面相近的距离数据，使用这些数据计算均值，将该数据与半径R差值的绝对值记为E。异常数据判断的判断标准为：

Dist＜R+E

在进行异常检测时，输入数据判断阈值s的计算公式为：

s(x

当s小于判断标准时，判断数据为正常数据，否则即为异常数据。

本发明提供的基于TimeGAN的机电伺服系统多维信号异常数据智能检测方法在获取机电系统的多个传感器信号后，首先对多传感器信号进行数据预处理，然后将处理后的数据送入时间序列数据增强网络TimeGAN(Time-series Generative AdversarialNetworks)，生成与原始样本的分布类似的合成数据，并与原始数据合并实现数据增强，获得扩充数据集。之后将扩充后的数据集作为训练样本输入到以长短时记忆神经网络LSTM(Long Short-term memory)为内核、以深度支持向量描述Deep SVDD(Deep SupportVector Data Description)为主要架构的异常数据检测算法(LSTM-Deep SVDD)中进行训练，得到多维异常数据智能检测模型，最后基于该检测模型，自动判别多维测试数据中是否存在异常数据。与现有技术相比，本发明的优势在于能够在原始样本不足的情况下，继续使用深度学习模型挖掘数据特征，改善因数据量不足而引起的深度学习模型无法训练以及训练效果不理想等问题，提高异常检测模型的精确度和稳定性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。