摘要
随着信息化程度加深和互联技术的不断发展，智能化工业生产对安全性和自动化的要求越来越高。然而工业系统的设备质量可能会因为各种因素不断损耗，当设备质量的损耗达到一定临界值时，就会造成故障的发生。对设备进行故障检测、故障识别以诊断其运行状态是非常重要的，一个可靠的故障诊断技术有利于提高生产过程的稳定性并降低生产成本。在采集到的海量工业数据中，由各种传感器收集的时间序列数据是极为重要的一员，因此时间序列数据在故障诊断、异常检测等任务中越来越受重视。 在时间序列故障诊断任务中，现有的方法面临以下问题:（1）传统故障诊断方法无法准确地提取数据中的时间维度特征，使得处理高维数据中的多特征耦合问题具有挑战性;（2）基于深度学习（长短时记忆网络、一维卷积神经网络等）的故障诊断模型难以提供模型与结果的可解释性，并且在处理高维数据时容易出现梯度消失、梯度爆炸和过拟合等问题，可能导致模型效果不佳;（3）基于Shapelet的方法通过候选产生、候选评估从时间序列数据中提取具有类代表性的特征子序列（即为Shapelet）,通过Shapelet变换技术进行分类。该方法具有良好的可解释性与领先的分类精度，但在故障诊断任务中存在适用性问题，且具有极高的计算复杂度，这提高了故障诊断模型的实施成本。 为解决以上问题，本文提出了具体的研究内容，并取得了较好的研究结果。具体来说，本文所做的主要工作和贡献如下: （1）针对上述分析中的前两个问题，基于处理时间序列分类问题的Shapelet方法，提出了适用于故障诊断任务的K-S-ST方法。K-S-ST方法包含三个部分:改进的Shapelet选择、K-S聚类和Shapelet变换。本次研究在改进的Shapelet选择过程中对Shapelet候选序列的数据来源进行了调整，并提出了一种新的候选评估方法，以降低计算复杂性，并选择高区分力的候选。基于K均值聚类，提出了K-S聚类，以去除Shapelet集合中的自相似性子序列，同时保留高质量的Shapelet。之后使用Shapelet变换将原时间序列数据域变为距离域，并结合了多种机器学习分类器构建了诊断模型，以探究最好的方法组合。为了验证所提方法的鲁棒性，在公开的故障诊断数据集的两个故障强度的数据集上进行了故障诊断实验，通过多个指标验证了方法的性能。结果表明，与基线方法ST相比，所提方法K-S-ST提高了分类效果与计算速度，且具有最佳的诊断性能。 (2)针对第三个问题，为了提高Shapelet方法计算的计算效率，和其在多维时间序列与故障诊断任务中的适用性，本文结合故障诊断任务的特点，提出了最小差异性序列(MinimumDiscrepancySequence，MDS)的概念，基于MDS提出了多维时间序列领域中的快速Shapelet选择方法MDS-FSS。通过MDS,该方法在时间序列中在一次扫描内于每个维度选出有意义的特征子序列作为候选，极大的减少了候选序列数量，从而降低了Shapelet选择过程的时间复杂度。对于MDS-FSS,在时间序列故障诊断数据集和多维时间序列分类数据集上进行了实验验证，与传统多维时间分类方法、Shapelet变换、Shapelet加速方法和时间序列综合性方法进行了对比，证明了所提方法具有极好的诊断性能和位于前列的多维时间序列分类效果。在不对训练集样本进行采样的情况下，MDS-FSS在多种Shapelet加速方法中拥有更好的加速效果。
NETL