本發(fā)明屬于工業(yè)剩余壽命，尤其涉及一種非平衡缺失數(shù)據(jù)下工業(yè)設(shè)備剩余壽命的dtsigan數(shù)據(jù)增強方法及系統(tǒng)。

背景技術(shù)：

1、在工業(yè)領(lǐng)域中，設(shè)備性能的退化或關(guān)鍵部件的耗損，時常威脅著整個生產(chǎn)過程的穩(wěn)定性。它們不僅埋下了安全隱患，更會直接導(dǎo)致顯著的經(jīng)濟損失，對生產(chǎn)效率和成本控制構(gòu)成了嚴(yán)峻挑戰(zhàn)。

2、近年來，工業(yè)4.0革命的浪潮席卷而來，其核心聚焦于智能制造的崛起，其標(biāo)志性的鮮明特征在于人工智能、物聯(lián)網(wǎng)、云計算等信息物理融合系統(tǒng)的無縫互聯(lián)。在此背景下，故障預(yù)測與健康管理體系(phm)作為關(guān)鍵技術(shù)橋梁，正引領(lǐng)著傳統(tǒng)生產(chǎn)行業(yè)向智能化、高效化的全新制造模式跨越與升級，成為轉(zhuǎn)型升級的關(guān)鍵突破口。在故障預(yù)測與健康管理體系中，剩余壽命(rul)占據(jù)著核心且至關(guān)重要的位置。通過對當(dāng)前的設(shè)備工況或部件狀態(tài)的深入分析，精準(zhǔn)預(yù)測未來的運行狀態(tài)，為生產(chǎn)運營決策的制定提供堅實的數(shù)據(jù)支撐?；诖耍髽I(yè)能夠?qū)嵤┽槍π缘念A(yù)防性維護策略，這些措施不僅避免了因設(shè)備突發(fā)故障而導(dǎo)致的經(jīng)濟損失，還顯著降低了安全事故的發(fā)生風(fēng)險，從而確保了生產(chǎn)線的連續(xù)、穩(wěn)定與高效運行。然而，在復(fù)雜的實際生產(chǎn)環(huán)境中，數(shù)據(jù)采集面臨著諸多挑戰(zhàn)。諸如密閉設(shè)備內(nèi)部空間的局限性，使得部署足夠數(shù)量的傳感器以全面捕捉數(shù)據(jù)變得尤為困難，從而加劇了數(shù)據(jù)采集的技術(shù)難度。此外，數(shù)據(jù)采集成本高昂，尤其是為了獲取設(shè)備完整生命周期的運行數(shù)據(jù)，需要耗費大量資源與時間。這些時間或經(jīng)濟成本的雙重壓力，導(dǎo)致了數(shù)據(jù)資源的匱乏與分布的不平衡。同時，數(shù)據(jù)采集系統(tǒng)失靈、人為操作失誤以及外部環(huán)境的不確定因素，時常引發(fā)數(shù)據(jù)缺失問題。數(shù)據(jù)的非平衡與缺失現(xiàn)狀，成為制約以數(shù)據(jù)驅(qū)動建模的人工智能技術(shù)在工業(yè)設(shè)備剩余壽命等領(lǐng)域深入拓展的關(guān)鍵因素。

3、在現(xiàn)有技術(shù)中，研究學(xué)者針對工業(yè)設(shè)備剩余壽命數(shù)據(jù)增強的問題提出了很多方案：

4、(1)時頻域變換(tf)。tf方法通過將時間域信息映射至頻率域，從而提取原始時序數(shù)據(jù)的周期性與趨勢性特征。然而，在處理高維時間序列數(shù)據(jù)時，因無法充分捕捉數(shù)據(jù)的動態(tài)特征變化，進而限制了生成高質(zhì)量、有效增強數(shù)據(jù)的能力。

5、(2)自編碼器(vae)。vae方法是一種深度隱空間生成模型，編碼器能夠?qū)⒃紩r序數(shù)據(jù)的特征壓縮至隱藏空間進行學(xué)習(xí)，隨后通過解碼器重構(gòu)出與原始數(shù)據(jù)相似的輸出。然而，作為無監(jiān)督學(xué)習(xí)模型，在應(yīng)對高維且復(fù)雜的時間序列數(shù)據(jù)增強任務(wù)時，其處理能力略顯局限，與有監(jiān)督學(xué)習(xí)模型相比，性能上存在一定的差距。

6、(3)生成對抗網(wǎng)絡(luò)(gan)。gan是一種深度學(xué)習(xí)模型，通過生成網(wǎng)絡(luò)與判別網(wǎng)絡(luò)的動態(tài)博弈，最大程度還原真實數(shù)據(jù)的特征分布并實現(xiàn)數(shù)據(jù)的增強。gan模型在計算機視覺方面已展現(xiàn)出顯著成效。然而，不同于圖像數(shù)據(jù)，在工業(yè)設(shè)備剩余壽命領(lǐng)域中，數(shù)據(jù)具有較為復(fù)雜的時間依賴關(guān)系，gan難以捕捉時間特征與屬性之間的相關(guān)性。此外，時序數(shù)據(jù)的長期相關(guān)性及其維度不確定性，加劇了數(shù)據(jù)生成的難度。另一方面，gan本身存在不收斂、梯度消失及模式崩潰等缺點，導(dǎo)致模型的訓(xùn)練難度較大。

7、通過上述分析，現(xiàn)有技術(shù)存在的問題及缺陷為：

8、(1)當(dāng)前的技術(shù)主要聚焦于非平衡數(shù)據(jù)的增強策略，忽視了真實應(yīng)用場景中數(shù)據(jù)缺失的普遍現(xiàn)象。

9、(2)它們在處理復(fù)雜高維時間序列數(shù)據(jù)時效果欠佳，模型構(gòu)建與訓(xùn)練過程中仍存在不足。特別是在工業(yè)設(shè)備剩余壽命領(lǐng)域非平衡且包含缺失值的數(shù)據(jù)增強任務(wù)中，現(xiàn)有方法難以提供有效且可靠的解決方案。

10、(3)以gan模型為代表的深度學(xué)習(xí)技術(shù)在應(yīng)對數(shù)據(jù)增強問題方面展現(xiàn)出了卓越的性能，成為當(dāng)前的研究熱點。然而，gan模型在衡量真實數(shù)據(jù)與生成數(shù)據(jù)間相似度的方法選取，以及網(wǎng)絡(luò)架構(gòu)設(shè)計或損失函數(shù)選擇上的差異，均引發(fā)模型訓(xùn)練過程中出現(xiàn)梯度消失和梯度爆炸等現(xiàn)象，這阻礙了生成網(wǎng)絡(luò)的收斂過程，進而影響了有效數(shù)據(jù)的合成。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種非平衡缺失數(shù)據(jù)下工業(yè)設(shè)備剩余壽命的dtsigan數(shù)據(jù)增強方法。

2、本發(fā)明是這樣實現(xiàn)的，一種非平衡缺失數(shù)據(jù)下工業(yè)設(shè)備剩余壽命的dtsigan數(shù)據(jù)增強方法包括：

3、步驟1，對傳感器采集到的非平衡缺失的工業(yè)設(shè)備數(shù)據(jù)進行數(shù)據(jù)預(yù)處理；其中包括數(shù)據(jù)歸一化，構(gòu)建掩碼矩陣和時間間隔矩陣，并與原始時間序列進行拼接形成數(shù)據(jù)集，按比例劃分為訓(xùn)練集和測試集；

4、步驟2，通過融合時間動力學(xué)原理與時間序列生成對抗網(wǎng)絡(luò)的結(jié)構(gòu)；引入了循環(huán)動力學(xué)插補算法，以優(yōu)化嵌入網(wǎng)絡(luò)模型；改進策略將真實數(shù)據(jù)與捕獲到的缺失數(shù)據(jù)特征映射到潛在特征空間，隨后，利用恢復(fù)網(wǎng)絡(luò)依據(jù)此空間中的特征，重構(gòu)原始數(shù)據(jù)；同時，在損失函數(shù)設(shè)計中，將原始數(shù)據(jù)、恢復(fù)數(shù)據(jù)和缺插補數(shù)據(jù)一同納入誤差的計算；

5、步驟3，通過向生成網(wǎng)絡(luò)輸入隨機噪聲，將其映射到生成特征空間；判別網(wǎng)絡(luò)在潛在空間上區(qū)分真?zhèn)危谂袆e網(wǎng)絡(luò)的反饋，生成網(wǎng)絡(luò)得以進行迭代式的優(yōu)化與更新；

6、步驟4，將生成網(wǎng)絡(luò)與判別網(wǎng)絡(luò)之間傳統(tǒng)的交叉熵函數(shù)替換為wasserstein距離，在衡量判別真實數(shù)據(jù)與合成數(shù)據(jù)分布之間相似度的同時引入梯度懲罰項以施加lipschitz約束；

7、步驟5，使用訓(xùn)練完成的dtsigan對非平衡缺失數(shù)據(jù)集進行動態(tài)插補和擴充，再利用預(yù)測模型對工業(yè)設(shè)備剩余壽命實現(xiàn)預(yù)測。

8、進一步，所述步驟1，將傳感器所采集的原始數(shù)據(jù)進行數(shù)學(xué)化描述為一個時間步長為t，維度為d的多元時間序列集合，記x＝{x1,x2,x3,...,xt}∈rt×d；其中，第t步因為時間序列中存在缺失值，為了更好地標(biāo)記x中缺失變量的所在位置，引入掩碼矩陣m∈rt×d來表示：

9、

10、其中，表示第t步的第d維變量，即t時刻的第d個特征值；

11、對于時間戳向量s＝{s1,s2,s3,...,st}∈rt，引入時間間隔矩陣δ反映數(shù)據(jù)點之間的時滯分布情況；定義為表示t時刻觀測到的值距離上一個未缺失的觀測值的時間間隔，即：

12、

13、進一步，所述步驟2，嵌入網(wǎng)絡(luò)e輸入由步驟1得到的真實數(shù)據(jù)x、掩碼矩陣m和時間間隔矩陣δ，提取時序數(shù)據(jù)的特征，映射至潛在特征空間h；隨后，由恢復(fù)網(wǎng)絡(luò)r將這些特征還原至原始數(shù)據(jù)空間和插補數(shù)據(jù)通過比較真實數(shù)據(jù)、恢復(fù)數(shù)據(jù)和插補數(shù)據(jù)間的差異構(gòu)建重構(gòu)損失函數(shù)lr，并以此訓(xùn)練嵌入網(wǎng)絡(luò)和恢復(fù)網(wǎng)絡(luò)；相關(guān)公式如下所示：

14、h＝e(x,m,δ)

15、

16、其中，嵌入網(wǎng)絡(luò)e經(jīng)過循環(huán)動力學(xué)插補算法改進優(yōu)化，恢復(fù)網(wǎng)絡(luò)r由自回歸并服從因果順序的網(wǎng)絡(luò)架構(gòu)構(gòu)成，由多層gru單元以及一層全連接層構(gòu)成。

17、進一步，所述嵌入網(wǎng)絡(luò)e將保存了t-1時刻之前信息的隱藏狀態(tài)ht-1映射為t時刻的預(yù)測值利用步驟1中得到的掩碼矩陣，用替換xt中對應(yīng)的缺失值，得到填補后t時刻的值相關(guān)計算公式如下所示：

18、

19、其中，wx、bx為模型要學(xué)習(xí)的參數(shù)，ht-1為t-1時刻的掩藏狀態(tài)，初始隱藏狀態(tài)h0為全零向量，mt表示t時刻對應(yīng)的掩碼矩陣向量，xt為t時刻的真實數(shù)據(jù)，⊙表示點乘運算；

20、通過引入時間衰減因子γt，該因子呈現(xiàn)隨時間變化的衰減效應(yīng)，來調(diào)整歷史信息在當(dāng)前狀態(tài)中的權(quán)重；時間衰減函數(shù)相關(guān)計算公式如下所示：

21、γt＝exp{-max(0,wγδt+bγ)}

22、其中，wγ、bγ為對應(yīng)的參數(shù)；δt越大，表示數(shù)據(jù)缺失時滯距離越大，則γt越?。沪膖越小，表示數(shù)據(jù)缺失時滯距離越小，則γt越大；

23、基于衰減因子γt與上一時刻隱藏狀態(tài)ht-1，計算t時刻的隱藏狀態(tài)ht；相關(guān)計算公式如下所示：

24、

25、式中，σ為激活函數(shù)，選擇sigmoid作為激活函數(shù)，wh、uh和bh為模型要學(xué)習(xí)的權(quán)重和偏置參數(shù)。

26、進一步，所述步驟3，生成網(wǎng)絡(luò)g將隨機噪聲z映射到生成特征空間判別網(wǎng)絡(luò)d在特征空間維度上區(qū)分真?zhèn)?；生成網(wǎng)絡(luò)g與判別網(wǎng)絡(luò)d均由多層gru單元以及一層全連接層構(gòu)成。

27、所述步驟4，引入wasserstein距離以及梯度懲罰項，確保模型不會因梯度爆炸或梯度消失而導(dǎo)致生成網(wǎng)絡(luò)無法收斂，從而提高模型的穩(wěn)定性；生成網(wǎng)絡(luò)g與判別網(wǎng)絡(luò)d間的損失函數(shù)計算公式如下所示：

28、

29、式中，px為真實數(shù)據(jù)x所滿足的分布，pz為隨機噪聲z所滿足的分布，λ為懲罰權(quán)重因子，表示判別網(wǎng)絡(luò)d在樣本處的梯度二范式，從合成數(shù)據(jù)y和真實數(shù)據(jù)x樣本空間中隨機抽樣得到，為所滿足的分布；相關(guān)計算公式如下所示：

30、

31、其中，∈為[0,1]范圍內(nèi)服從均勻分布的隨機數(shù)；

32、步驟5，使用訓(xùn)練完成的dtsigan對非平衡缺失數(shù)據(jù)集進行動態(tài)插補和擴充，將合成數(shù)據(jù)與真實數(shù)據(jù)混合，作為預(yù)測任務(wù)的數(shù)據(jù)集，再利用預(yù)測模型對工業(yè)設(shè)備剩余壽命實現(xiàn)預(yù)測，并采用平均絕對誤差mae、平均絕對百分比誤差mape和均方根誤差rmse作為評價指標(biāo)，用于評價預(yù)測的性能，驗證dtsigan方法的對非平衡缺失數(shù)據(jù)增強的效果；相關(guān)計算公式如下所示：

33、

34、式中，n表示樣本規(guī)模，pi表示真實標(biāo)簽，表示預(yù)測值。

35、本發(fā)明的另一目的在于提供一種非平衡缺失數(shù)據(jù)下工業(yè)設(shè)備剩余壽命的dtsigan數(shù)據(jù)增強系統(tǒng)包括：

36、數(shù)據(jù)預(yù)處理模塊，用于對傳感器采集到的非平衡缺失的工業(yè)設(shè)備數(shù)據(jù)進行數(shù)據(jù)預(yù)處理；其中包括數(shù)據(jù)歸一化，構(gòu)建掩碼矩陣和時間間隔矩陣，并與原始時間序列進行拼接形成數(shù)據(jù)集，按比例劃分為訓(xùn)練集和測試集；

37、對抗網(wǎng)絡(luò)生成模塊，用于通過融合時間動力學(xué)原理與時間序列生成對抗網(wǎng)絡(luò)的結(jié)構(gòu)；引入了循環(huán)動力學(xué)插補算法，以優(yōu)化嵌入網(wǎng)絡(luò)模型；改進策略將真實數(shù)據(jù)與捕獲到的缺失數(shù)據(jù)特征映射到潛在特征空間，隨后，利用恢復(fù)網(wǎng)絡(luò)依據(jù)此空間中的特征，重構(gòu)原始數(shù)據(jù)；同時，在損失函數(shù)設(shè)計中，將原始數(shù)據(jù)、恢復(fù)數(shù)據(jù)和缺插補數(shù)據(jù)一同納入誤差的計算；

38、優(yōu)化更新模塊，用于通過向生成網(wǎng)絡(luò)輸入隨機噪聲，將其映射到生成特征空間；判別網(wǎng)絡(luò)在潛在空間上區(qū)分真?zhèn)危谂袆e網(wǎng)絡(luò)的反饋，生成網(wǎng)絡(luò)得以進行迭代式的優(yōu)化與更新；

39、替換模塊，用于將生成網(wǎng)絡(luò)與判別網(wǎng)絡(luò)之間傳統(tǒng)的交叉熵函數(shù)替換為wasserstein距離，在衡量判別真實數(shù)據(jù)與合成數(shù)據(jù)分布之間相似度的同時引入梯度懲罰項以施加lipschitz約束；

40、壽命預(yù)測模塊，用于使用訓(xùn)練完成的dtsigan對非平衡缺失數(shù)據(jù)集進行動態(tài)插補和擴充，再利用預(yù)測模型對工業(yè)設(shè)備剩余壽命實現(xiàn)預(yù)測。

41、本發(fā)明的另一目的在于提供一種計算機設(shè)備，所述計算機設(shè)備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執(zhí)行時，使得所述處理器執(zhí)行所述非平衡缺失數(shù)據(jù)下工業(yè)設(shè)備剩余壽命的dtsigan數(shù)據(jù)增強方法的步驟。

42、本發(fā)明的另一目的在于提供一種計算機可讀存儲介質(zhì)，存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，使得所述處理器執(zhí)行所述非平衡缺失數(shù)據(jù)下工業(yè)設(shè)備剩余壽命的dtsigan數(shù)據(jù)增強方法的步驟。

43、本發(fā)明的另一目的在于提供一種信息數(shù)據(jù)處理終端，所述信息數(shù)據(jù)處理終端用于實現(xiàn)所述非平衡缺失數(shù)據(jù)下工業(yè)設(shè)備剩余壽命的dtsigan數(shù)據(jù)增強系統(tǒng)。

44、結(jié)合上述的技術(shù)方案和解決的技術(shù)問題，本發(fā)明所要保護的技術(shù)方案所具備的優(yōu)點及積極效果為：

45、第一、本發(fā)明能夠解決在工業(yè)設(shè)備剩余壽命預(yù)測任務(wù)中面臨的數(shù)據(jù)集規(guī)模小，數(shù)據(jù)分布不平衡且存在缺失值的問題。通過提供堅實的數(shù)據(jù)基礎(chǔ)，促進了以數(shù)據(jù)驅(qū)動的人工智能技術(shù)在該領(lǐng)域的應(yīng)用效能，有效發(fā)揮了模型的表征性能和自學(xué)習(xí)能力，從而能夠更精準(zhǔn)、高效地完成工業(yè)設(shè)備剩余壽命預(yù)測任務(wù)。

46、本發(fā)明采用循環(huán)動力學(xué)插補算法，對時間序列生成對抗網(wǎng)絡(luò)的模型結(jié)構(gòu)進行改進。通過引入掩碼矩陣、時間間隔矩陣以及時間衰減因子等多重機制，來捕獲和分析缺失值相關(guān)特征，使缺失值插補過程融入到時序數(shù)據(jù)生成模型的優(yōu)化過程中，實現(xiàn)缺失值的動態(tài)插補，進而提升模型對非平衡缺失時間序列數(shù)據(jù)的生成能力。

47、本發(fā)明融合了wasserstein距離與梯度懲罰項，對生成網(wǎng)絡(luò)與判別網(wǎng)絡(luò)傳統(tǒng)的損失函數(shù)進行了優(yōu)化替換。這一改進策略不僅改善了合成數(shù)據(jù)與真實數(shù)據(jù)之間分布的差異性度量，而且防止了訓(xùn)練過程中梯度消失與梯度爆炸的現(xiàn)象，進而增強了模型的穩(wěn)定性與可靠性。

48、第二，本發(fā)明的技術(shù)方案轉(zhuǎn)化后的預(yù)期收益和商業(yè)價值為：本發(fā)明提供了一種非平衡缺失數(shù)據(jù)下工業(yè)設(shè)備剩余壽命的dtsigan數(shù)據(jù)增強方法，能夠解決在工業(yè)設(shè)備剩余壽命預(yù)測任務(wù)中因時間或經(jīng)濟成本等因素引起的數(shù)據(jù)集規(guī)模小，數(shù)據(jù)分布不平衡以及存在缺失值的問題。本發(fā)明提供了堅實的數(shù)據(jù)基礎(chǔ)，推動了以數(shù)據(jù)驅(qū)動的人工智能技術(shù)在該領(lǐng)域的應(yīng)用效能，有效發(fā)揮了人工智能模型的表征性能和自學(xué)習(xí)能力，使得人工智能模型能夠更精準(zhǔn)且高效地執(zhí)行工業(yè)設(shè)備剩余壽命預(yù)測任務(wù)，為工業(yè)維護與決策提供了強有力的支持。

49、本發(fā)明的技術(shù)方案解決了人們一直渴望解決、但始終未能獲得成功的技術(shù)難題：本發(fā)明提供了一種非平衡缺失數(shù)據(jù)下工業(yè)設(shè)備剩余壽命的dtsigan數(shù)據(jù)增強方法，通過采用循環(huán)動力學(xué)插補算法，對時間序列生成對抗網(wǎng)絡(luò)的模型結(jié)構(gòu)進行創(chuàng)新性優(yōu)化。引入掩碼矩陣、時間間隔矩陣以及時間衰減因子等多重機制，旨在捕獲和分析缺失值相關(guān)特征，使缺失值插補過程融入到時序數(shù)據(jù)生成模型的優(yōu)化過程中，實現(xiàn)缺失值的動態(tài)插補；同時，為了進一步增強模型的穩(wěn)定性和數(shù)據(jù)合成的有效性，本發(fā)明將wasserstein距離與梯度懲罰項相結(jié)合，對生成網(wǎng)絡(luò)與判別網(wǎng)絡(luò)的損失函數(shù)進行優(yōu)化，有效避免了梯度消失與梯度爆炸的問題，確保了模型訓(xùn)練過程的穩(wěn)定進行，從而大幅提升在合成高質(zhì)量時序數(shù)據(jù)方面的能力。

50、第三，本發(fā)明實施例提供了一種基于虛擬現(xiàn)實的非平衡缺失數(shù)據(jù)下的工業(yè)設(shè)備剩余壽命預(yù)測方法。首先，在步驟s101中，采集傳感器數(shù)據(jù)并將其數(shù)學(xué)化為一個時間步長為t、維度為d的多元時間序列集合x。由于時間序列中存在缺失值，為了更好地標(biāo)記缺失數(shù)據(jù)的位置，構(gòu)建了掩碼矩陣m，并引入時間間隔矩陣δ，用于反映數(shù)據(jù)點之間的時間延遲分布。掩碼矩陣通過1和0來分別標(biāo)識數(shù)據(jù)的缺失與否，時間間隔矩陣則用于計算相鄰非缺失值的時間間隔。該步驟為后續(xù)處理奠定了數(shù)據(jù)基礎(chǔ)。

51、在步驟s102中，將經(jīng)過預(yù)處理的數(shù)據(jù)(包括真實數(shù)據(jù)x、掩碼矩陣m和時間間隔矩陣δ)輸入嵌入網(wǎng)絡(luò)e中，提取時序特征并將其映射至潛在特征空間h?；謴?fù)網(wǎng)絡(luò)r則利用這些潛在特征重構(gòu)原始數(shù)據(jù)x～和插補數(shù)據(jù)y～，并通過比較真實數(shù)據(jù)與恢復(fù)數(shù)據(jù)、插補數(shù)據(jù)之間的差異，構(gòu)建重構(gòu)損失函數(shù)l_r，以此訓(xùn)練嵌入網(wǎng)絡(luò)和恢復(fù)網(wǎng)絡(luò)。該網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合了循環(huán)動力學(xué)插補算法，利用多層gru單元和全連接層組成，能夠高效處理序列數(shù)據(jù)的缺失問題。

52、在步驟s103中，生成網(wǎng)絡(luò)g通過輸入隨機噪聲z，將其映射到生成特征空間h～中，生成與真實數(shù)據(jù)相似的合成數(shù)據(jù)。判別網(wǎng)絡(luò)d則在潛在特征空間中對數(shù)據(jù)的真實性進行判別，區(qū)分合成數(shù)據(jù)和真實數(shù)據(jù)。生成網(wǎng)絡(luò)與判別網(wǎng)絡(luò)均由多層gru單元和全連接層構(gòu)成，通過對抗訓(xùn)練實現(xiàn)模型的逐步優(yōu)化。

53、在步驟s104中，引入了wasserstein距離和梯度懲罰項，確保模型在訓(xùn)練過程中不會發(fā)生梯度爆炸或梯度消失，從而提高模型的穩(wěn)定性。生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)之間的損失函數(shù)利用梯度的二范式進行計算，有效控制數(shù)據(jù)生成和判別的過程，確保生成的數(shù)據(jù)在真實數(shù)據(jù)分布上具備較高的相似性。最后，通過s105步驟使用訓(xùn)練完成的dtsigan模型對非平衡缺失數(shù)據(jù)進行動態(tài)插補，并結(jié)合工業(yè)設(shè)備的剩余壽命預(yù)測模型，進一步提高預(yù)測的準(zhǔn)確性，確保在非平衡數(shù)據(jù)情況下的增強效果。