[发明专利]融合时空信息的传感器缺失值的填充方法

说明书

本发明提供了一种融合时空信息的传感器缺失值的填充方法，包括：输入N条历史数据X以及M条有缺失的数据Xsubgt;missing/subgt;；其中M，N大于输入时序长度T；填充阈值η，将历史数据输入训练好的LSTM‑AEsubgt;S/subgt;之后，η＝std(X‑X')；得到已训练模型LSTM‑AEsubgt;S/subgt;；已修复数据Xsupgt;repaired/supgt;；将原数据划分成时序数据集；初始化LSTM‑AEsubgt;S/subgt;；然后使用Tensorflow进行网络初始化；使用神经网络常用的反向传播算法更新LSTM‑AEsubgt;S/subgt;的权值W；进行缺失值填充。本发明同时考虑了时空信息，能够在有大量传感器同时缺失时较为鲁棒，并能够训练单一模型处理不同类型的缺失，能够满足传感器缺失值填充的实时性需求。

技术领域

本发明属于设备健康管理领域，更具体地，涉及融合时空信息的传感器缺失值的填充方法。

背景技术

之前，缺失值填充方法都只利用了数据空间上的联系，而并没有使用时序信息。它们在数据存在多维缺失的时候表现不好，在存在块缺失的情况下甚至无法使用。此外，之前的工作都首先假设已知缺失值的位置，针对单一缺失类型进行建模。但是缺失值的位置在实时的系统中并不是已知的。在这种情况下，为了能够实时处理各种类型的缺失，所需训练的模型数量与传感器数量成指数增长，不利于缺失值填充方法的实际应用。

发明内容

为了解决上述问题，本发明提供了一种融合时空信息的传感器缺失值的填充方法，结合了深度自动编码机和长短时神经网络。

本发明提供了一种融合时空信息的传感器缺失值的填充方法，包括：

输入N条历史数据X以及M条有缺失的数据X_missing；其中M，N大于输入时序长度T；

填充阈值η，将历史数据输入训练好的LSTM-AE_S之后，η＝std(X-X')，其中X为测试数据，X'为模型输出数据，std为标准差；得到已训练模型LSTM-AE_S；已修复数据X^repaired；

将原数据划分成时序数据集；

初始化LSTM-AE_S：使用Tensorflow深度学习框架，构建多层自编码神经网络，神经元类型使用LSTM，其中第一层神经元数目与传感器数目一致，最中间编码层神经元数目为使用主成分分析方法对历史数据X进行降维后的信息保持率超过99％时的最小维度；然后使用Tensorflow进行网络初始化；

使用神经网络常用的反向传播算法更新LSTM-AE_S的权值W；

进行缺失值填充。

在上述方法中，其中，在初始化LSTM-AE_S并且在更新权值W之前，还包括计算重构误差：其中分别是X^j、X^j'中第T个时刻的传感器数据。

在上述方法中，其中，在初始化LSTM-AE_S并且在更新权值W之前，还包括计算正则项误差：其中分别表示X^j'、X^j+1'、X^j-1'中第T个时刻的数据。

在上述方法中，其中，在初始化LSTM-AE_S并且在更新权值W之前，还包括计算损失项：其中是求解偏导数，整个神经网络视为一个关于权值W，偏置项b以及输入X_T的函数，用h_W,b(X_T)指代，θ是正则化参数。