CN110955651A - 基于深度卷积生成式对抗网络的电机故障数据的增强方法 - Google Patents
基于深度卷积生成式对抗网络的电机故障数据的增强方法 Download PDFInfo
- Publication number
- CN110955651A CN110955651A CN201911186594.9A CN201911186594A CN110955651A CN 110955651 A CN110955651 A CN 110955651A CN 201911186594 A CN201911186594 A CN 201911186594A CN 110955651 A CN110955651 A CN 110955651A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- motor
- fault
- generated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了基于深度卷积生成式对抗网络的电机故障数据的增强方法,包括电机故障类型数据样本和随机噪声,随机噪声能够整合为生成模型,根据判别模型,来对生成数据和电机故障类型数据进行分类整合,从而达到扩张电机故障类型数据的效果。该基于深度卷积生成式对抗网络的电机故障数据的增强方法,它根据电机运行过程产生的各种信息,建立学习模型,通过不断学习和训练,预测电机运行是正常还是发生了异常,识别电机故障类型,还能实现电机在带负荷运行时,或不拆卸情况下,通过对其状态参数的检测和分析,判定是否存在故障及故障的位置的原因,并对电机未来的状态进行预测。
Description
技术领域
本发明涉及故障诊断和深度学习技术领域,具体为基于深度卷积生成式对抗网络的电机故障数据的增强方法。
背景技术
基于深度学习的故障诊断技术,是近年来兴起的一门包含很多种新科技内容的综合技术。它根据电机运行过程产生的各种信息,建立学习模型,通过不断学习和训练,预测电机运行是正常还是发生了异常,识别电机故障类型。它能实现电机在带负荷运行时,或不拆卸情况下,通过对其状态参数的检测和分析,判定是否存在故障及故障的位置的原因,并对电机未来的状态进行预测。
随着现代科学技术的进步,生产系统的发展和设备制造水平的提高,生产系统所采用的电机数量不断增加,单机容量不断提高。电机的正常工作对保障生产制造过程的安全,高效,敏捷,优质和低耗运行的意义非常重大。电机故障不仅会损坏电机本身,还会影响整个系统的正常工作,甚至危及人身安全,造成巨大的经济损失,现有的电机故障不能够提前发现和进行预防,容易突发事故造成停产损失,提高了对人员和设备安全的威胁,不能够为实现状态检修创造条件。
发明内容
本发明的目的在于提供基于深度卷积生成式对抗网络的电机故障数据的增强方法,以解决上述背景技术中提出现有的电机故障不能够提前发现和进行预防,容易突发事故造成停产损失,提高了对人员和设备安全的威胁,不能够为实现状态检修创造条件的问题。
为实现上述目的,本发明提供如下技术方案:基于深度卷积生成式对抗网络的电机故障数据的增强方法,其步骤如下:
步骤一:首先按照故障的类型,把故障数据存放于不同的文件夹,分别为损坏型故障、退化型故障和失调型故障,并将缺失和重复的数据整合删除,加快数据收敛速度;
步骤二:构建生成式对抗网络,包括生成模型和判别模型两个模块,分别生成数据和判别数据,两个模块之间相互博弈学习与故障数据库的数据进行相互交换对比;
步骤三:将随机噪声输入由深度转置卷积网络构成的生成模型中,训练生成电机故障数据,即为上述所述的生成数据,生成模型设定为待优化参数;
步骤四:将真实的电机故障样本数据进行挑选分类之后,和生成数据一起输入到由深度神经网络构成的判别模型中,使用真伪二分类器鉴别区分真实故障数据和生成故障数据的差异,输出值为二进制数0或者1,若输出为0,则数据为假数据,若输出为1,则数据为真数据,使用大量数据训练生成模型和判别模型,使得训练后的判别模型输出值更接近于1;
步骤五:使用大量数据训练深度卷积生成式对抗网络,生成模型与判别模型交替优化学习,最终达到零和博弈(纳什均衡);
步骤六:用电机故障类型数据样本的数据和生成的故障数据融合,生成扩大内容的电机故障数据库。
进一步的,所述数据{x(t),z(t)y(t)}t=1 T,对于第t个数据对(x(t),z(t)),所对应的输出y(t)为[1,0],表示将电机故障类型数据样本判断为真的概率设置为1,将生成数据判断为真的概率设置为0;将电机故障类型数据样本判断为真的概率设置为0,将生成数据判断为真的概率设置为1;
进一步的,所述生成模型中,其首先生成数据,进一步促使生成模型待优化参数,需要对各种参数进行判别特征学习和分类器设计阶段,从而生成各模型下的映射参数;
进一步的,所述生成模型的第一层是6144大小的全连接层,后续四层是三维的转置卷积层,其中卷积核大小为2×5×5(时间×宽×高),所述生成模型中使用转置卷积层操作,视为传统卷积操作的一种“逆向”传递过程;
进一步的,所述判别模型使用卷积神经网络,所述判别模型的前四层是用于提取数据的时空特征的三维卷积层,随后是全连接层,所述卷积层的卷积核大小为2×5×5(时间×宽×高);
进一步的,所述步骤五训练内容为电机真实故障数据和生成模型生成的故障数据,若网络判别输入数据为真实故障数据的概率大于0.5,则这组数据有效,所述将x判断为电机故障类型数据样本的概率,在固定生成模型时所对应判别器的损失函数为
与现有技术相比,本发明的有益效果是:该基于深度卷积生成式对抗网络的电机故障数据的增强方法,它根据电机运行过程产生的各种信息,建立学习模型,通过不断学习和训练,预测电机运行是正常还是发生了异常,识别电机故障类型,还能实现电机在带负荷运行时,或不拆卸情况下,通过对其状态参数的检测和分析,判定是否存在故障及故障的位置的原因,并对电机未来的状态进行预测,同时此方法将深度卷积神经网络与生成式对抗网络相结合,将电机实际运行的工况数据按照故障类型进行分类,然后利用深度卷积生成式对抗网络生成电机故障数据库,从中挑出生成比较接近实际故障的数据,与真实的电机数据库相融合,提高了故障数据的质量和多样性,为后期故障诊断提供具有可信性的海量数据,提高了电机故障诊断的精度,可以及早发现故障和预防故障的进一步恶化,减少突发事故造成停产损失,防止对人员和设备安全的威胁,并为实现状态检修创造条件,是一种可大范围推广的实用性方法。
附图说明
图1为本发明整体流程结构示意图;
图2为本发明电机故障类型数据样本连接结构示意图。
具体实施方式
下面将结合本发明实施例对本发明作进一步发明。
请参考图1-2,实施例一:
本发明公开了一种基于深度卷积生成式对抗网络的电机故障数据的增强方法,其步骤如下:
步骤一:首先是对真实故障类型进行分类和筛选,需要在后台对故障类型分类为损坏型故障、退化型故障和失调型故障三种故障类型,对故障类型的数据分别一一对应放置于故障类型的内部,在进行数据分类的过程中,后台还能够将缺失和重复的数据进行删除,保证数据的数量简洁和种类丰富度,加快数据的收敛速度,还能够降低后台的数据负荷。
步骤二:构建生成式对抗网络,包括生成模型和判别模型两个模块,分别生成数据和判别数据,两个模块之间相互博弈学习与故障数据库的数据进行相互交换对比。
步骤三:将随机噪声输入由深度转置卷积网络构成的生成模型中,训练生成电机故障数据,即为上述所述的生成数据,生成模型设定为待优化参数;
步骤四:将真实的电机故障样本数据进行挑选分类之后,和生成数据一起输入到由深度神经网络构成的判别模型中,使用真伪二分类器鉴别区分真实故障数据和生成故障数据的差异,真伪二分类器使用的是Softmax分类器,输出值为二进制数0或者1,若输出为0,则数据为假数据,若输出为1,则数据为真数据,使用大量数据训练生成模型和判别模型,使得训练后的判别模型输出值更接近于1;
步骤五:使用大量数据训练深度卷积生成式对抗网络,生成模型与判别模型交替优化学习,最终达到零和博弈(纳什均衡);
步骤六:用电机故障类型数据样本的数据和生成的故障数据融合,如果网络分类完成的电机故障样本数据的概率大于0.5,则这组数据有效,随后排出数据至接收端生成扩大内容的电机故障数据库。
首先使用者需要对真实故障类型进行分类和筛选,需要在后台对电机故障类型数据样本分类为损坏型故障、退化型故障和失调型故障三种故障类型,对真实的电机故障类型的数据分别一一对应放置于故障类型的内部,在进行数据分类的过程中,后台还能够将缺失和重复的数据进行删除,保证数据的数量简洁和种类丰富度,加快数据的收敛速度,还能够降低后台的数据负荷,然后在后台内部构建生成式对抗网络,其中此生成网络中包括生成模型和判别模型两个模块,分别对应的产出为生成数据和判别数据,将随机噪声,也就是判别电机故障的一种信息输入由深度转置卷积网络构成的生成模型中,训练生成电机故障数据,也就是生成数据,然后将经过分类筛选的电机故障类型数据和生成数据一起输入到由深度神经网络构成的判别模型中,随后使用Softmax分类器鉴别区分电机故障类型数据和生成故障数据的差异,随后使用大量数据训练深度卷积生成式对抗网络,生成模型与判别模型交替优化学习,最终达到零和博弈(纳什均衡),对整合出来的数据进行网络分类,如果网络分类为真实的电机故障类型数据的概率大于0.5,则这组数据是真实有效的,则可以投入使用,利用真实的电机故障类型数据和生成的故障数据进行融合,从而生成最终的电机故障数据库,帮助使用者进行电机故障类型的排查,如果真实的电机故障类型数据的概率有误,则能够重新开始新一轮的数据分类管理,和生成故障数据之间的不断优化,达到理想的分类排查的效果。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:其步骤如下:
步骤一:首先按照故障的类型,把故障数据存放于不同的文件夹,分别为损坏型故障、退化型故障和失调型故障,并将缺失和重复的数据整合删除,加快数据收敛速度;
步骤二:构建生成式对抗网络,包括生成模型和判别模型两个模块,分别生成数据和判别数据,两个模块之间相互博弈学习与故障数据库的数据进行相互交换对比;
步骤三:将随机噪声输入由深度转置卷积网络构成的生成模型中,训练生成电机故障数据,即为上述所述的生成数据,生成模型设定为待优化参数;
步骤四:将真实的电机故障样本数据进行挑选分类之后,和生成数据一起输入到由深度神经网络构成的判别模型中,使用真伪二分类器鉴别区分真实故障数据和生成故障数据的差异,输出值为二进制数0或者1,若输出为0,则数据为假数据,若输出为1,则数据为真数据,使用大量数据训练生成模型和判别模型,使得训练后的判别模型输出值更接近于1;
步骤五:使用大量数据训练深度卷积生成式对抗网络,生成模型与判别模型交替优化学习,最终达到零和博弈(纳什均衡);
步骤六:用电机故障类型数据样本的数据和生成的故障数据融合,生成扩大内容的电机故障数据库。
2.根据权利要求1所述的基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:所述数据{x(t),z(t)y(t)}t=1 T,对于第t个数据对(x(t),z(t)),所对应的输出y(t)为[1,0],表示将电机故障类型数据样本判断为真的概率设置为1,将生成数据判断为真的概率设置为0;将电机故障类型数据样本判断为真的概率设置为0,将生成数据判断为真的概率设置为1。
3.根据权利要求1所述的基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:所述生成模型中,其首先生成数据,进一步促使生成模型待优化参数,需要对各种参数进行判别特征学习和分类器设计阶段,从而生成各模型下的映射参数。
4.根据权利要求1所述的基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:所述生成模型的第一层是6144大小的全连接层,后续四层是三维的转置卷积层,其中卷积核大小为2×5×5(时间×宽×高),所述生成模型中使用转置卷积层操作,视为传统卷积操作的一种“逆向”传递过程。
5.根据权利要求1所述的基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:所述判别模型使用卷积神经网络,所述判别模型的前四层是用于提取数据的时空特征的三维卷积层,随后是全连接层,所述卷积层的卷积核大小为2×5×5(时间×宽×高)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911186594.9A CN110955651A (zh) | 2019-11-28 | 2019-11-28 | 基于深度卷积生成式对抗网络的电机故障数据的增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911186594.9A CN110955651A (zh) | 2019-11-28 | 2019-11-28 | 基于深度卷积生成式对抗网络的电机故障数据的增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110955651A true CN110955651A (zh) | 2020-04-03 |
Family
ID=69978687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911186594.9A Pending CN110955651A (zh) | 2019-11-28 | 2019-11-28 | 基于深度卷积生成式对抗网络的电机故障数据的增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110955651A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505876A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于生成式对抗网络的高压断路器故障诊断方法 |
CN114267178A (zh) * | 2021-12-30 | 2022-04-01 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
CN116429406A (zh) * | 2023-06-14 | 2023-07-14 | 山东能源数智云科技有限公司 | 大型机械设备故障诊断模型的构建方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805418A (zh) * | 2018-05-22 | 2018-11-13 | 福州大学 | 一种基于生成式对抗网络的交通数据填充方法 |
CN109872296A (zh) * | 2019-01-04 | 2019-06-11 | 中山大学 | 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法 |
-
2019
- 2019-11-28 CN CN201911186594.9A patent/CN110955651A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805418A (zh) * | 2018-05-22 | 2018-11-13 | 福州大学 | 一种基于生成式对抗网络的交通数据填充方法 |
CN109872296A (zh) * | 2019-01-04 | 2019-06-11 | 中山大学 | 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505876A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于生成式对抗网络的高压断路器故障诊断方法 |
CN114267178A (zh) * | 2021-12-30 | 2022-04-01 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
CN114267178B (zh) * | 2021-12-30 | 2023-09-26 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
CN116429406A (zh) * | 2023-06-14 | 2023-07-14 | 山东能源数智云科技有限公司 | 大型机械设备故障诊断模型的构建方法及装置 |
CN116429406B (zh) * | 2023-06-14 | 2023-09-26 | 山东能源数智云科技有限公司 | 大型机械设备故障诊断模型的构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584221B (zh) | 一种基于监督式生成对抗网络的异常图像检测方法 | |
CN109768985B (zh) | 一种基于流量可视化与机器学习算法的入侵检测方法 | |
CN110955651A (zh) | 基于深度卷积生成式对抗网络的电机故障数据的增强方法 | |
Kim et al. | Genetic algorithm to improve SVM based network intrusion detection system | |
CN107908963A (zh) | 一种自动化检测恶意代码核心特征方法 | |
CN112104525B (zh) | 基于序列生成对抗网络的dnp3协议模糊测试方法 | |
CN111740971A (zh) | 基于类不平衡处理的网络入侵检测模型sgm-cnn | |
CN108958217A (zh) | 一种基于深度学习的can总线报文异常检测方法 | |
CN109522926A (zh) | 基于信息熵聚类的异常检测方法 | |
CN109902740B (zh) | 一种基于多算法融合并行的再学习工业控制入侵检测方法 | |
CN106709349B (zh) | 一种基于多维度行为特征的恶意代码分类方法 | |
CN111598179B (zh) | 电力监控系统用户异常行为分析方法、存储介质和设备 | |
CN111507385B (zh) | 一种可扩展的网络攻击行为分类方法 | |
Abdel-Hamid et al. | A dynamic spark-based classification framework for imbalanced big data | |
CN113806746A (zh) | 基于改进cnn网络的恶意代码检测方法 | |
CN114399029A (zh) | 一种基于gan样本增强的恶意流量检测方法 | |
CN113098862A (zh) | 一种基于混合采样与膨胀卷积相结合的入侵检测方法 | |
CN114372530A (zh) | 一种基于深度自编码卷积网络的异常流量检测方法及系统 | |
CN1223941C (zh) | 一种基于相关特征聚类的层次入侵检测系统 | |
CN115641471A (zh) | 一种基于生成对抗网络的对抗样本生成方法及系统 | |
CN111797177A (zh) | 一种用于异常金融账号检测的金融时间序列分类方法及应用 | |
CN117113066B (zh) | 一种基于计算机视觉的输电线路绝缘子缺陷检测方法 | |
CN113723553A (zh) | 一种基于选择性密集注意力的违禁物品检测方法 | |
CN110086860B (zh) | 一种物联网大数据环境下的数据异常检测方法及装置 | |
CN108846476A (zh) | 一种基于卷积神经网络的智能终端安全等级分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200403 |