机械工程学报

作者：陈帅, 赵明, 郭栋, 林京

单位：1. 西安交通大学机械制造系统工程国家重点实验室 西安 710049;2. 汽车零部件先进制造技术教育部重点实验室(重庆理工大学) 重庆 400054;3. 北京航空航天大学可靠性与系统工程学院 北京 100083

关键词：缺失数据插补,相空间重构,奇异值分解,低秩逼近；

基金：国家自然科学基金（51875434）和汽车零部件先进制造技术教育部重点实验室开放课题基金（2019KLMT02）资助项目。

监测数据的完整性和可用性是工业大数据时代信息提取与知识发掘的前提和基础。然而由于采集中断、传输干扰、存储不当等诸多原因，监测数据的缺失问题在工业场景中频繁发生，严重影响数据价值密度。提出一种基于SVD-KDR的高精度、高鲁棒性缺失数据插补算法。该方法将一维工业数据转换为高维矩阵，弥补了传统方法直接从低维空间插补工业监测数据的维度局限。通过发掘插补过程中非缺失数据的低秩特性，借助奇异值分解理论（Singular value decomposition，SVD）建立了鲁棒性更强的SVD-KDR算法模型，有效减弱了缺失数据对参数估计精度的不利影响。试验结果表明，相比于传统插补算法，所提出算法在高缺失率下仍具有较高插补精度和稳健性。此外，该方法不仅能够有效恢复缺失数据的波形，而且能充分还原原始数据所蕴含的波动信息。提出的SVD-KDR算法可有效解决数据缺失问题，为工业大数据分析提供了数据恢复与信息处理工具。

来源：2021年第2期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2021年第2期