公开(公告)号：CN113591954A

公开(公告)日：2021-11-02

申请号：CN202110818499.7

申请日：2021-07-20

Applicant: 哈尔滨工程大学

Inventor： 戴运桃 ,  梁源 ,  彭立章 ,  王淑娟 ,  曾占魁 ,  沈继红 ,  谭思超 ,  赵富龙 ,  关昊夫

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种工业系统中缺失的时序数据的填充方法，包括步骤一：数据预处理；步骤二：针对缺失的多元时序数据，以边界平衡生成对抗网络BEGAN模型为基础，构建生成对抗网络模型BiGRU‑BEGAN；步骤三：训练BiGRU‑BEGAN网络模型；步骤四：用训练好的BiGRU‑BEGAN模型生成完整的人工数据并填充原始缺失数据。本发明通过生成对抗网络与双向循环神经网络结合的模型，最大化利用真实存在的数据信息，生成符合原始缺失数据特征分布规律的完整人工数据，再将缺失数据填充完整。利用填充好的完整数据进行后续的故障分类任务，增加缺失数据的分类准确率。

公开(公告)号：CN113591954B

公开(公告)日：2023-10-27

申请号：CN202110818499.7

申请日：2021-07-20

Applicant: 哈尔滨工程大学

Inventor： 戴运桃 ,  梁源 ,  彭立章 ,  王淑娟 ,  曾占魁 ,  沈继红 ,  谭思超 ,  赵富龙 ,  关昊夫

IPC: G06F18/213 ,  G06F18/241 ,  G06N3/0464

Abstract: 本发明公开了一种工业系统中缺失的时序数据的填充方法，包括步骤一：数据预处理；步骤二：针对缺失的多元时序数据，以边界平衡生成对抗网络BEGAN模型为基础，构建生成对抗网络模型BiGRU‑BEGAN；步骤三：训练BiGRU‑BEGAN网络模型；步骤四：用训练好的BiGRU‑BEGAN模型生成完整的人工数据并填充原始缺失数据。本发明通过生成对抗网络与双向循环神经网络结合的模型，最大化利用真实存在的数据信息，生成符合原始缺失数据特征分布规律的完整人工数据，再将缺失数据填充完整。利用填充好的完整数据进行后续的故障分类任务，增加缺失数据的分类准确率。

公开(公告)号：CN115062528A

公开(公告)日：2022-09-16

申请号：CN202210295183.9

申请日：2022-03-23

Applicant: 哈尔滨工程大学

Inventor： 沈继红 ,  关昊夫 ,  彭立章 ,  谭思超 ,  曾占魁 ,  王宇晴 ,  张康慧 ,  戴运桃 ,  王淑娟 ,  廉春波 ,  赵富龙

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种针对工业过程时序数据的预测方法，属于工业过程时序数据预测领域。本发明包括：准备训练数据集；构建深度长短期记忆网络(Deep‑LSTM)模型,增加LSTM单元个数和网络层数；训练Deep‑LSTM网络模型；将测试数据集输入到训练完成后的Deep‑LSTM，通过网络可预测出λ个未知数据，并计算预测值与真实值的误差，验证网络的预测效果及精度。本发明针对时序数据预测中故障数据样本不足和预测精度的问题，利用改进的GRU‑BEGAN生成对抗网络模型生成人工样本来扩充原始数据集，并利用Deep‑LSTM模型预测工业过程时序数据。