一种基于去噪概率扩散模型的多模态时序数据增强方法

本发明属于工业设备安全中的性能监测与故障检测领域，具体涉及一种基于去噪概率扩散模型的多模态时序数据增强方法。

背景技术：

1、时序数据在工业过程监测和软测量建模中扮演着关键的角色，然而，由于实际采集数据受到多种噪声和不确定性的影响，对时序数据进行建模和分析时常面临挑战。时序数据的质量直接影响着工业系统建模的精度和可靠性。在复杂、动态的工业环境中，时序数据可能受到各种干扰和噪声的影响，包括但不限于传感器误差、设备故障和环境变化。为了克服这些问题，数据增强技术成为提高时序数据质量和挖掘数据潜在信息的重要手段。数据增强不仅可以有效减少噪声对建模结果的干扰，还可以提高数据集的多样性，增加模型的泛化能力。

2、燃煤电厂是目前全球主要的电力发电方式之一，汽水循环系统和燃烧系统是确保电厂高效运行的关键组成部分，水冷壁作为连接燃烧系统和汽水循环系统的直接部件，其重要性不可忽视。水冷壁具有重要的热交换功能，其主要作用是吸收燃煤电厂锅炉中产生的高温烟气中的热量，防止锅炉壁面过热保障锅炉安全稳定运行。换句话说，水冷壁直接影响着整个汽水循环系统的稳定运行和热能效率。

3、水冷壁的主体由一系列金属管组成，以平行排列的方式贴近锅炉炉墙，通过循环流动的水冷却炉墙，吸收高温煤燃烧释放的热量，防止炉墙温度过高，金属管通常采用合金钢等耐高温、耐腐蚀的材料制造，而管径的确定则取决于锅炉容量和热负荷。省煤器回收所排烟的余热，进入垂直排列的冷灰斗水冷壁中，水冷壁中的水吸收省煤器来的热量，水变为蒸汽上升至中部水冷壁。进一步被加热中间混合联箱内的工质为汽水两相混合物，中间混合联箱担负着流量分配和汽水两相均匀分配的双重任务。热气上升进一步加热上部水冷壁，最后通过分离器将汽水两相分离开，蒸汽进入下一环节，而水则是循环回水冷壁中再次利用。

4、水冷壁爆管已经成为水冷壁事故中常见的频发事故，原因多种多样，包括水冷壁设计不合理、操作不当、水质问题等，但水冷壁爆管的主要原因还是水冷壁温度过高，超过金属管壁的温度阈值。超温爆管会导致水冷壁的金属材料受到过度的热应力，从而降低其强度和耐久性，加速金属材料的老化和损伤；导致水冷壁的局部变形，影响其正常的热交换功能，进而影响汽水循环系统的热能效率；此外，由于水冷壁直接关系到锅炉壁面的温度稳定，严重情况下，超温爆管会导致锅炉爆炸，引发严重的安全事故。

技术实现思路

1、为了解决背景技术中存在的技术问题，本发明提供了一种基于去噪概率扩散模型的多模态时序数据增强方法。通过设计有效的数据增强模型，提高模型对复杂工业系统的建模性能和鲁棒性。

2、本发明采用的技术方案是方法具体包括以下步骤：

3、步骤1，基于扩散模型构建其数据增强模型，其核心原理是通过构造一个逐步向原始数据中添加噪声的马尔可夫链，即扩散过程。这个过程的目标是将数据逐渐演化到一个标准正态的隐空间。

4、步骤2，引入1d u-net作为反向生成网络，进行噪声拟合。采用一维卷积对时序数据进行处理，创建了gaussiandiffusion1d模型，用于完成工业时序数据的生成任务。

5、步骤3，使用某燃煤电厂的水冷壁管道温度数据进行案例分析。

6、本发明在具体实施中采用pca-svm方法进行水冷壁温度模态的识别，这种方法使得我们能够更准确地识别不同状态下的水冷壁温度模态，为异常检测和预测提供了更可靠的基础。

7、本发明设计有效的数据增强模型，可以有效减少噪声对建模结果的干扰，提高数据集的多样性，增强模型的泛化能力。

8、本发明构建1d u-net模型进行噪声拟合，采用一维卷积对时序数据进行处理，创建了gaussiandiffusion1d模型用于处理工业中的一维时序数据。

9、所述步骤1具体为：

10、步骤1.1，在扩散模型的前向扩散过程中，提供了一个渐进性的噪声引入机制，使得模型能够逐步生成具有多样性的样本。使得通过逐步扩散，模型能够更好地理解数据中的相关性和结构，从而更准确地模拟生成样本的过程。

11、步骤1.2，前向加噪过程是一个马尔科夫链过程，所有时间步的噪声样本联合概率分布可由以下公式计算：

12、

13、步骤1.3，原始数据x0与随机噪声线性组合成xt，得到其条件分布：

14、

15、步骤1.4，在反向生成过程，通过引入条件概率密度函数和正态分布噪声项，使得模型能够逆向还原前一时刻的状态，将直接影响生成样本的质量。同时考虑噪声项有助于模型理解前后时刻状态之间的关联性，将更有效地捕捉数据中的模式和特征。反向生成过程的概率分布可由以下公式计算：

16、

17、其中，σtz表示方差，

18、步骤1.5，在反向生成阶段使用神经网络拟合噪声，期望神经网路输出的拟合噪声与前向加噪过程中添加的噪声尽可能的接近，因此将使用二者的均方误差作为损失函数，可由以下公式计算得出：

19、

20、最小化损失函数可以理解为对最终的数据还原结果采用最大似然估计或以交叉熵作为损失函数进行模型训练。

21、所述步骤2具体为：

22、步骤2.1，引入一维u-net模型，通过卷积操作实现对特征提取。这一步骤在处理一维数据时更为适用，能够捕捉了不同尺度的时序特征，提高了模型的表示能力。

23、步骤2.2，对原始时序数据进行了归一化处理，确保模型输入数据的数值稳定性。随后，将归一化后的一维数据转换为三维张量，使得模型能够更好地捕捉数据中的局部和全局特征。

24、步骤2.3，构建了gaussiandiffusion1d模型的主干结构。该模型以扩散模型为主干网络，并引入1d u-net作为反向生成网络，进行噪声拟合，通过噪声建模增强了模型的建模能力。

25、所述步骤2.1中，构建的1d u-net神经网络，该网络含有14个卷积层、3个池化层、3个上采样层以及3个跳跃连接操作，网络左半部分的卷积和池化过程是对输入信号的编码过程,在第2、4、6个卷积层后面使用池化层对卷积后的输出特征进行压缩，网络右半部分的上采样和卷积过程是对特征的解码过程,在第9、11、13个卷积层后面使用上采样层对含有具体细节的特征进行扩展,另外,将第2、4、6个卷积层的结果与第9、11、13个上采样层后的结果进行跳跃拼接作为第10、12、14个卷积层的输入,实现高层次的整体特征与低层次的局部特征之间的特征融合,以提高网络的分类准确率。

26、本发明具体使用的数据来自某燃煤电厂2019年9月26日13：00至2020年9月30日22：00采集的共25202条实际工业数据，采样周期为15s，涉及144个输入变量和115个水冷壁管道温度变量。

27、本发明与现有技术相比具有的有益效果有：

28、1、构建了gaussiandiffusion1d模型，以扩散模型为主干网络，并引入1du-net作为反向生成网络，进行噪声拟合，将一维时序数据转为三维张量能够使输入数据更自然地适应于卷积神经网络的结构，充分发挥了卷积操作在多通道上的优势，有助于网络能够更好地捕捉时序数据中的局部和全局特征，为上采样和下采样等操作提供了更强大的能力，提高了特征的表示能力。

29、2、采集到的水冷壁数据在高温段数据偏少，使得数据分布不均衡，所以采用了pca-svm方法进行水冷壁温度模态的识别，此方法可以更好的处理复杂的非线性关系，有助于提取温度变化的主要特征。通过强调模态识别的方法，能够更好地应对温度数据不均衡的挑战，提高温度预测的准确性和鲁棒性。

30、综合来说，本发明通过构建gaussiandiffusion1d模型进行噪声拟合，采用pca-svm方法进行水冷壁温度模态的识别，使得模型对工业产生的一维时序数据有更强的处理效果，同时可以提高温度预测的准确性，以及将模型的计算时间稳定在一定范围内。