本發(fā)明屬于時間序列信號異常檢測，尤其涉及基于擴(kuò)散型對比學(xué)習(xí)的深海傳感信號故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、深海潛水器通常工作在極端的深海環(huán)境中，特別是載人深海潛水器執(zhí)行任務(wù)時，需要及時準(zhǔn)確的故障診斷對保證人員和設(shè)備的安全至關(guān)重要。然而，深海環(huán)境復(fù)雜多變，潛水器信號在傳輸過程中容易受到干擾和異常，導(dǎo)致信號質(zhì)量下降或傳輸中斷，其次在不同的工作環(huán)境下存在對傳感器信號的多種干擾因素，包括下潛深度，海水鹽度、海水溫度等。傳統(tǒng)的深海潛水器信號異常檢測方法主要基于信號處理技術(shù)和統(tǒng)計(jì)學(xué)方法，如頻譜分析、小波變換、自相關(guān)函數(shù)等。這些方法雖然在一定程度上能夠檢測到信號的異常，但準(zhǔn)確度不高，容易受到噪聲和外部作業(yè)環(huán)境的影響。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)在信號處理和異常檢測領(lǐng)域的應(yīng)用逐漸受到關(guān)注。

3、當(dāng)前用于異常檢測的深度學(xué)習(xí)模型主要有自編碼器、變分自編碼器、生成對抗網(wǎng)絡(luò)等等，這些模型可以學(xué)習(xí)正常樣本的分布特征并根據(jù)輸入樣本生成相應(yīng)的重構(gòu)結(jié)果，通過計(jì)算各個區(qū)域的異常得分來區(qū)分異常信息，但是這些模型的重構(gòu)能力有限，無法很好地重構(gòu)復(fù)雜的信號特征；擴(kuò)散模型具有強(qiáng)大的圖像和音頻生成能力，而在時間序列異常檢測領(lǐng)域，擴(kuò)散模型被提出可以有效地平滑正常模式樣本，同時放大異常樣本的不規(guī)則性，這意味著擴(kuò)散模型對重構(gòu)樣本與原始樣本之間的異常部分具有更敏感的感知。但是由于深海環(huán)境的復(fù)雜性，不同的環(huán)境下傳感器采集得到的信號具有不同的特征，擴(kuò)散模型難以適應(yīng)多種環(huán)境下的異常檢測任務(wù)；其次擴(kuò)散模型的重構(gòu)過程是對原始樣本進(jìn)行加噪和去噪的過程，而在這過程中可能會損失一些關(guān)鍵信息，導(dǎo)致模型異常檢測性能的下降。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述背景技術(shù)中存在的至少一項(xiàng)技術(shù)問題，本發(fā)明提供基于擴(kuò)散型對比學(xué)習(xí)的深海傳感信號故障診斷方法及系統(tǒng)，其結(jié)合擴(kuò)散模型與對比學(xué)習(xí)網(wǎng)絡(luò)，將擴(kuò)散模型和對比學(xué)習(xí)網(wǎng)絡(luò)應(yīng)用于時間序列異常檢測的任務(wù)，有效地提高異常檢測的準(zhǔn)確性和實(shí)時性，為深海潛水器的安全和穩(wěn)定運(yùn)行提供重要的技術(shù)支持。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、本發(fā)明的第一方面提供基于擴(kuò)散型對比學(xué)習(xí)的深海傳感信號故障診斷方法，包括如下步驟：

4、獲取若干作業(yè)環(huán)境下的深海傳感器信號數(shù)據(jù)；

5、基于若干作業(yè)環(huán)境下的深海傳感器信號數(shù)據(jù)對信號特征提取網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的信號特征提取網(wǎng)絡(luò)；其中，所述信號特征提取網(wǎng)絡(luò)的構(gòu)建過程包括：

6、根據(jù)不同作業(yè)環(huán)境下的傳感器信號數(shù)據(jù)，自適應(yīng)地選擇不同分布的疊加噪聲；

7、結(jié)合選擇的疊加噪聲，通過擴(kuò)散模型對不同作業(yè)環(huán)境下的每個信號批次生成與原始信號對應(yīng)的增強(qiáng)數(shù)據(jù)，將兩兩不同作業(yè)環(huán)境下不同批次生成的增強(qiáng)數(shù)據(jù)作為增強(qiáng)數(shù)據(jù)對；

8、經(jīng)過編碼網(wǎng)絡(luò)提取增強(qiáng)數(shù)據(jù)對各自的特征向量，通過非線性網(wǎng)絡(luò)將特征向量映射到對比學(xué)習(xí)網(wǎng)絡(luò)的隱空間，通過隱特征計(jì)算對比損失函數(shù)，利用對比損失函數(shù)優(yōu)化編碼網(wǎng)絡(luò)和非線性映射網(wǎng)絡(luò)的參數(shù)；

9、基于訓(xùn)練后的信號特征提取網(wǎng)絡(luò)對待測信號進(jìn)行特征提取，基于提取得到的待測信號特征進(jìn)行故障診斷。

10、進(jìn)一步地，獲取深海傳感器信號數(shù)據(jù)后，對數(shù)據(jù)進(jìn)行預(yù)處理，得到訓(xùn)練數(shù)據(jù)集，包括：

11、對采集到的深海傳感器信號在時域內(nèi)濾除原始信號中的高頻噪聲；

12、對濾除高頻噪聲的多個種類的信號作均值方差歸一化處理；

13、在時間維度上進(jìn)行拼接得到拼接后的信號集合；

14、對信號集合作切片操作，將信號切片在時間維度上拼接得到最終數(shù)據(jù)集；

15、將數(shù)據(jù)集分為正樣本和負(fù)樣本構(gòu)成訓(xùn)練數(shù)據(jù)集，其中，正樣本包括沒有異常狀態(tài)的傳感器信號；負(fù)樣本包括包含異常狀態(tài)的傳感器信號。

16、進(jìn)一步地，所述根據(jù)不同作業(yè)環(huán)境下的傳感器信號數(shù)據(jù)，自適應(yīng)地選擇不同分布的疊加噪聲，具體包括：

17、計(jì)算不同作業(yè)環(huán)境下的傳感器信號數(shù)據(jù)集的每一列的均值和方差；

18、對每一列的均值和方差分別求均值作為該作業(yè)環(huán)境下經(jīng)過擴(kuò)散模型的疊加噪聲分布。

19、進(jìn)一步地，所述通過擴(kuò)散模型對不同作業(yè)環(huán)境下的每個信號批次生成與原始信號對應(yīng)的增強(qiáng)數(shù)據(jù)，包括：

20、對輸入的原始信號逐步添加噪聲，直至信號為純噪聲，得到疊加噪聲后的數(shù)據(jù)；

21、將擴(kuò)散過程生成的噪聲和隨機(jī)選擇的步數(shù)輸入至unet網(wǎng)絡(luò)生成觀測噪聲數(shù)據(jù)，與擴(kuò)散過程中的對應(yīng)步數(shù)時疊加的噪聲計(jì)算損失函數(shù)，更新unet網(wǎng)絡(luò)參數(shù)；

22、基于網(wǎng)絡(luò)參數(shù)更新的unet網(wǎng)絡(luò)生成原始信號對應(yīng)的增強(qiáng)數(shù)據(jù)。

23、進(jìn)一步地，所述對比損失函數(shù)的計(jì)算過程包括：

24、基于一個批次內(nèi)每一對增強(qiáng)數(shù)據(jù)的隱特征計(jì)算每一對增強(qiáng)數(shù)據(jù)的相似度；

25、計(jì)算一個批次內(nèi)每一對增強(qiáng)數(shù)據(jù)之間的相似概率；

26、基于一個批次內(nèi)每一對增強(qiáng)數(shù)據(jù)的相似度和相似概率，用噪聲對比估計(jì)損失計(jì)算每一對增強(qiáng)數(shù)據(jù)的對比損失函數(shù)；

27、基于每個批次內(nèi)所有增強(qiáng)數(shù)據(jù)對的對比損失函數(shù)取平均值得到整個批次內(nèi)所有數(shù)據(jù)的損失函數(shù)。

28、進(jìn)一步地，所述作業(yè)環(huán)境包括下潛深度、海水鹽度和海水溫度。

29、進(jìn)一步地，基于訓(xùn)練后的信號特征提取網(wǎng)絡(luò)對待測信號進(jìn)行特征提取，基于提取得到的待測信號特征進(jìn)行故障診斷時，將提取得到的特征輸入至卷積層和線性層構(gòu)成的信號檢測網(wǎng)絡(luò)得到該信號對應(yīng)的概率向量，通過概率向量與預(yù)設(shè)的標(biāo)簽計(jì)算交叉熵?fù)p失函數(shù)，通過該交叉熵?fù)p失函數(shù)對信號檢測網(wǎng)絡(luò)進(jìn)一步優(yōu)化。

30、本發(fā)明的第二方面提供基于對比學(xué)習(xí)的深海潛水器傳感信號故障診斷系統(tǒng)，包括：

31、數(shù)據(jù)獲取模塊，其用于獲取若干作業(yè)環(huán)境下的深海傳感器信號數(shù)據(jù)；

32、特征提取模塊，其用于基于若干作業(yè)環(huán)境下的深海傳感器信號數(shù)據(jù)對傳感信號故障診斷模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的傳感信號故障診斷模型；其中，所述傳感信號故障診斷模型的構(gòu)建過程包括：

33、根據(jù)不同作業(yè)環(huán)境下的傳感器信號數(shù)據(jù)，自適應(yīng)地選擇不同分布的疊加噪聲；

34、結(jié)合選擇的疊加噪聲，通過擴(kuò)散模型對不同作業(yè)環(huán)境下的每個信號批次生成與原始信號對應(yīng)的增強(qiáng)數(shù)據(jù)，將兩兩不同作業(yè)環(huán)境下不同批次生成的增強(qiáng)數(shù)據(jù)作為增強(qiáng)數(shù)據(jù)對；

35、經(jīng)過編碼網(wǎng)絡(luò)提取增強(qiáng)數(shù)據(jù)對各自的特征向量，通過非線性網(wǎng)絡(luò)將特征向量映射到對比學(xué)習(xí)網(wǎng)絡(luò)的隱空間，通過隱特征計(jì)算對比損失函數(shù)，利用對比損失函數(shù)優(yōu)化編碼網(wǎng)絡(luò)和非線性映射網(wǎng)絡(luò)的參數(shù)；

36、故障診斷模塊，其用于基于訓(xùn)練后的信號特征提取網(wǎng)絡(luò)對待測信號進(jìn)行特征提取，基于提取得到的待測信號特征進(jìn)行故障診斷。

37、進(jìn)一步地，所述系統(tǒng)還包括數(shù)據(jù)預(yù)處理模塊，其用于獲取深海傳感器信號數(shù)據(jù)后，對數(shù)據(jù)進(jìn)行預(yù)處理，得到訓(xùn)練數(shù)據(jù)集，包括：

38、對采集到的深海傳感器信號在時域內(nèi)濾除原始信號中的高頻噪聲；

39、對濾除高頻噪聲的多個種類的信號作均值方差歸一化處理；

40、在時間維度上進(jìn)行拼接得到拼接后的信號集合；

41、對信號集合作切片操作，將信號切片在時間維度上拼接得到最終數(shù)據(jù)集；

42、將數(shù)據(jù)集分為正樣本和負(fù)樣本構(gòu)成訓(xùn)練數(shù)據(jù)集，其中，正樣本包括沒有異常狀態(tài)的傳感器信號；負(fù)樣本包括包含異常狀態(tài)的傳感器信號。

43、進(jìn)一步地，特征提取模塊中，所述根據(jù)不同作業(yè)環(huán)境下的傳感器信號數(shù)據(jù)，自適應(yīng)地選擇不同分布的疊加噪聲，具體包括：

44、計(jì)算不同作業(yè)環(huán)境下的傳感器信號數(shù)據(jù)集的每一列的均值和方差；

45、對每一列的均值和方差分別求均值作為該作業(yè)環(huán)境下經(jīng)過擴(kuò)散模型的疊加噪聲分布。

46、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

47、1、針對深海環(huán)境下異常檢測任務(wù)的復(fù)雜性，本發(fā)明法結(jié)合擴(kuò)散模型與對比學(xué)習(xí)網(wǎng)絡(luò)，將擴(kuò)散模型和對比學(xué)習(xí)網(wǎng)絡(luò)應(yīng)用于時間序列異常檢測的任務(wù)，通過擴(kuò)散模型對深海潛水器信號進(jìn)行降噪處理和數(shù)據(jù)增強(qiáng)，同時利用對比學(xué)習(xí)網(wǎng)絡(luò)對編碼器參數(shù)進(jìn)行訓(xùn)練，最后利用訓(xùn)練完成的編碼器實(shí)現(xiàn)對信號的特征提取，并通過卷積層與線形層構(gòu)成的檢測網(wǎng)絡(luò)實(shí)現(xiàn)對信號的異常檢測，使模型能適應(yīng)多種環(huán)境下的異常檢測任務(wù)，同時減小了模型的整體規(guī)模，提高了算法的檢測速度。

48、2、本發(fā)明中，在擴(kuò)散模型部分根據(jù)不同作業(yè)環(huán)境選擇不同的噪聲分布參數(shù)，減少外部環(huán)境對信號的干擾，提高了算法的穩(wěn)定性和通用性。

49、本發(fā)明附加方面的優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。