CN113884290B - 基于自训练半监督生成对抗网络的调压器故障诊断方法 - Google Patents

基于自训练半监督生成对抗网络的调压器故障诊断方法 Download PDF

Info

Publication number
CN113884290B
CN113884290B CN202111142149.XA CN202111142149A CN113884290B CN 113884290 B CN113884290 B CN 113884290B CN 202111142149 A CN202111142149 A CN 202111142149A CN 113884290 B CN113884290 B CN 113884290B
Authority
CN
China
Prior art keywords
samples
sample
training
fault diagnosis
discriminator
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.)
Active
Application number
CN202111142149.XA
Other languages
English (en)
Other versions
CN113884290A (zh
Inventor
陶洪峰
程龙
邱吉尔
沈凌志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN202111142149.XA priority Critical patent/CN113884290B/zh
Publication of CN113884290A publication Critical patent/CN113884290A/zh
Application granted granted Critical
Publication of CN113884290B publication Critical patent/CN113884290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于自训练半监督生成对抗网络的调压器故障诊断方法，涉及故障诊断技术领域，该方法包括：将调压器一维压力信号利用重叠采样和二维转换得到灰度图像样本；设计SGAN模型并进行初始训练；采用自训练算法使用训练好的初始分类器预测无标签样本的类别标签，将满足要求的样本采用重复标记方式扩充到有标签样本集中重新训练SGAN，保存最终的分类器；利用分类器构建调压器故障诊断模型进行在线诊断。本发明利用含有生成成分的分类器作为自训练算法的初始分类器提升了基础分类准确性能，提高了半监督故障诊断对无标签样本的特征提取能力，利用SoftMax函数提升判别器对样本的分类类别特征提取能力，实现高效、智能的故障诊断。

Description

基于自训练半监督生成对抗网络的调压器故障诊断方法
技术领域
本发明涉及故障诊断技术领域，尤其是基于自训练半监督生成对抗网络的调压器故障诊断方法。
背景技术
在燃气输送管网中调压器是其中极其重要的部件之一，因实际工况下内部零部件如薄膜、弹簧、阀口垫、阀筒等常常会受到磨损导致使用寿命下降引发故障，此时，一种高效、智能的故障诊断方法显得尤为重要。
目前，在调压器故障诊断领域由于设备和仪器技术的发展，大量的过程数据被记录和存储，基于数据驱动故障诊断方法成为主流，例如支持向量机(SVM)、神经网络等。这些方法虽然在调压器故障诊断上都取得了重要的成果，但是目前的调压器故障诊断的方法大多数属于监督学习，训练过程需要大量有标签数据而在实际情况中，标注样本需要丰富的专家经验，是一项既耗时又耗力的工作。因此，当大量数据为无标签数据时监督学习的方法就难以在调压器故障诊断上发挥作用。
发明内容
本发明人针对上述问题及技术需求，提出了基于自训练半监督生成对抗网络的调压器故障诊断方法，本发明的技术方案如下：
基于自训练半监督生成对抗网络的调压器故障诊断方法，包括如下步骤：
步骤一：通过信号采集设备获取调压器不同状态下的压力信号，信号采集设备包括相连的压力传感器与NI数据采集卡；
步骤二：将采集到的样本按照预设比例分为有标签样本集和无标签样本集；
压力信号为一维时序数据，利用相同大小的滑动窗口以固定步长分割一维时序数据获得样本，再利用二维转换的方式将一维时序数据转换成二维灰度图像样本；按照预设比例将数据集划分成训练集和测试集，其中训练集包含有标签样本和无标签样本，测试集均为无标签样本，其中标签类别包括正常状态、喘振故障、锁闭压力高、出口压力低；
步骤三：构建半监督生成对抗网络模型；
半监督生成对抗网络模型包括两个互相对抗的生成器和判别器，生成器和判别器主要由卷积层和全连接层组成；
在生成器中，输入是服从均值为0、方差为1的100维的高斯噪声，隐藏层有三层转置卷积，输出是大小为32×32的生成样本；在判别器中，输入是生成样本，输出是样本的类别标签和样本的真伪，且无标签样本和有标签样本的输出层对应不同的激活函数；隐藏层方面，生成器在三层转置卷积后，使用批归一化和LeakyRelu激活函数结构，最后一层输出层的激活函数为Tanh函数；判别器在卷积层之后也使用批归一化和LeakyRelu激活函数结构，并添加最大池化层提升特征提取能力，在全连接层之前使用dropout激活函数防止过拟合；判别器的隐藏层在进行有监督训练和无监督训练时权值共享、在输出层利用不同的激活函数来分类不同类型的样本；
步骤四：将训练集输入半监督生成对抗网络进行训练；
训练时先将训练集中的有标签样本输入至判别器中进行监督学习，判别器的输出层采用SoftMax函数输出预测类别，再与真实的标签计算交叉熵损失然后反向传播优化网络参数；再将训练集中的无标签样本和生成样本输入至经过预训练后的判别器中进行无监督学习，判别器进行特征提取，输出层采用Lamda激活函数输出样本是否为真实样本的概率值，然后再利用无监督部分的损失函数反向传播优化判别器与生成器的网络参数，将参数更新后的判别器作为初始分类器；
步骤五：利用训练集中的无标签样本对初始分类器进行局部密度邻域自训练；
在局部密度邻域中，首先定义局部密度ρi：
Figure BDA0003284155380000021
其中，|NaN(xi)|l是样本xi的自然邻域样本中标签样本的数量，NaN(xi)指的是样本xi的自然邻域样本集合，dist(xi，xj)指的是样本xi与样本xj的欧氏距离；
定义预设密度ρc：
Figure BDA0003284155380000022
其中dc为预设的截止距离；
获取训练集中的有标签样本和无标签样本的自然邻域；
计算有标签样本中每一个样本与其自然邻域内的其他样本之间的局部密度ρi，此时样本xj包括有标签样本和无标签样本；
提取有标签样本中每一个样本的自然邻域内的无标签样本、且有标签样本和无标签样本之间的局部密度ρi大于预设密度ρc，将符合要求的无标签样本重组为新的无标签样本；
将新的无标签样本按批次输入到初始分类器中进行标签预测，将SoftMax函数输出的类别置信度与预定置信水平值进行比较，若输出的类别的置信度大于等于预定置信水平值，则将该样本贴上对应的伪标签并添加到有标签样本中，且满足置信度的样本不从新的无标签样本中取出；
利用扩充样本后的有标签样本重新训练半监督生成对抗网络得到参数更新后的判别器作为初始分类器，重新执行将新的无标签样本按批次输入到初始分类器中进行标签预测，直到新的无标签样本中的所有样本都被贴上了伪标签，在迭代过程中对样本伪标签进行修正，自训练结束后得到最终的分类器；
步骤六：采用最终训练好的分类器构建调压器故障诊断模型，利用测试集对调压器故障诊断模型进行测试，得到调压器故障诊断准确率指标；通过信号采集设备实时采集调压器的故障数据，再进行二维转换后输入到调压器故障诊断模型中进行在线故障诊断，得到诊断结果；
在步骤四中，由于在半监督生成对抗网络中神经网络是通过随机梯度下降算法来反向传播修正网络参数，而随机梯度下降算法会出现局部最优或收敛速度缓慢的问题；Adam算法是基于梯度下降的优化算法，通过使用动量来限制迭代参数的学习步长从而改善传统梯度下降中存在的问题，促进超参数动态调整；因此，训练过程中网络参数按照如下规则进行更新：
Figure BDA0003284155380000031
Figure BDA0003284155380000032
其中，t表示迭代时间步数，α为学习率，mt和μt分别表示第t次梯度下降时第一时刻和第二时刻的偏差矫正估计，常数ε＝10-8，为了防止在实际运算时除以零，⊙指的是逐元素相乘运算符，β1、β2是矩估计指数衰减率，θ表示模型参数，
Figure BDA0003284155380000041
表示梯度运算符号，gt表示目标函数ft(θt-1)的梯度。
其进一步的技术方案为，在步骤四中，训练分类器的损失函数表示如下：
Figure BDA0003284155380000042
其中，Lsup、Lunsup、Lunlabel和Lgen分别表示为：
Figure BDA0003284155380000043
Lunsup＝Lunlabel+Lgen
Figure BDA0003284155380000044
Lgen＝-Ex～Glog[pmod(y＝m+1|x)]
x为训练集中的样本，y为类别标签，E为数学期望，pmod(y|x,y＜m+1表示X为某一种标签的概率，pmod(y＝m+1|x)表示x为假样本的概率；Lsup表示判别器进行有监督训练时的损失函数，Lunsup表示判别器进行无监督训练时的损失函数，Lunlabel表示判别器训练训练集中无标签样本时的损失函数，Lgen表示判别器训练生成样本时的损失函数，且Lgen也用来反向优化生成器的网络参数。
其进一步的技术方案为，SoftMax函数是一种有监督神经网络分类器，输出是样本属于每种类别的概率值；假设训练集的样本数为N、分为K个类别，记第n个样本的输出为yn∈(1,2,...,K)，输入样本xn属于第k类的概率用P(yn＝k|xn)表示，则对应SoftMax函数各个节点的输出值gw,b(xn)表示为：
Figure BDA0003284155380000045
其中，wk和bk分别是各类别的参数；SoftMax函数最终分类结果为拥有最大概率值的类别。
其进一步的技术方案为，在步骤二中，滑动窗口的大小为1024，进行二维转换后获得大小为32×32的二维灰度图像样本，且训练集中的有标签样本和无标签样本的比例为10:1。
本发明的有益技术效果是：
1)本申请提出的基于自训练半监督生成对抗网络的调压器故障诊断方法，结合自训练和半监督生成对抗网络，能够很好的从调压器压力信号中提取有价值信息进行故障诊断；
2)通过生成器生成与原始样本具有相同数据分布的生成样本，并给生成样本贴上“生成”标签，再利用分类器(也即判别器)尽力区分真实样本和生成样本，再结合局部密度邻域自训练算法对无标签样本的重复利用性，从而帮助模型学习到无标签样本里的有效信息，自训练算法在有监督和无监督训练之间利用样本伪标签建立了联系，是一种半监督训练方式，不需要大量人工标签，节约了时间和人力成本；
3)本申请能够通过构建的深度网络，自动学习到低层特征，并逐步形成更加抽象的高层表示，最后直接输出调压器的故障类别，无需经验模态分解、短时傅里叶变换等信号处理技术对调压器压力信号进行手动提取特征。
附图说明
图1是本申请提供的调压器故障诊断方法的流程图。
图2是本申请提供的半监督生成对抗网络的结构图。
图3是本申请提供的局部密度邻域自训练算法的流程图。
图4是本申请提供的调压器智能故障诊断的原理示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请提供了一种于自训练半监督生成对抗网络(简称SGAN)的调压器故障诊断方法，如图1所示，该方法的具体实施方式包括以下步骤：
步骤一：通过信号采集设备获取调压器不同状态下的压力信号。
具体的，压力传感器负责收集一段时间内调压器出口压力信号的变化，然后转接端子板上接上NI数据采集卡记录压力信号，再通过数据线输入到计算机中保存得到一维时序数据的信号样本，再利用二维转换的方式获得二维灰度图像样本，方便输入到SGAN的网络中。
步骤二：划分少量有标签样本集和大量无标签样本集，其中标签类别包括正常状态、喘振故障、锁闭压力高、出口压力低，四种类别对应标签0、1、2、3。训练时采用独热编码，例如，若为标签“1”则对应独热编码是[0100]。
步骤三：构建SGAN模型。
SGAN模型包括两个互相对抗的生成器G和判别器D，生成器G和判别器D主要由卷积层和全连接层组成。判别器D意图区分输入数据是有标签的真样本、无标签的真样本还是生成器G产生的假样本，生成器G则尽力产生欺骗判别器D的假样本。假设对于一个m类分类问题，SGAN会给生成器G的生成样本贴上“生成”标签作为第m+1类，则判别器D的输出维度从m增加到m+1，判别器D通过不断训练提升了从无标签样本中进行特征提取的能力，同时也提升了分类性能。
步骤四：将训练集中的有标签样本和无标签样本输入SGAN网络进行初次训练。
1)如图2所示，训练过程中有标签样本(也即真实样本)先输入到判别器网络中，网络的输出采用SoftMax函数输出预测类别，再与真实的标签计算交叉熵损失然后反向传播优化网络参数，进行有监督训练时的损失函数表示如下：
Figure BDA0003284155380000061
其中，M是一个批次里的样本数，N为样本的标签类别数，即为4类；lk(xi)是多分类线性层上的第k个神经元对应的输出，yj是输入样本对应的标签。
2)再将无标签样本与生成器的生成样本的混合样本输入至经过预训练后的判别器网络中进行无监督学习，判别器D进行特征提取，输出层采用Lamda激活函数输出样本是否为真实样本的概率值D(x)，然后再利用无监督部分的损失函数反向传播优化判别器D与生成器G的网络参数，将参数更新后的判别器作为初始分类器。
进行无监督训练时的损失函数表示如下：
Figure BDA0003284155380000062
Figure BDA0003284155380000063
其中，G(zi)表示生成器输出的生成样本，D(G(zi))表示判别器判别生成样本为真实样本的概率值。
步骤五：利用训练集中的无标签样本对初始分类器C进行局部密度邻域自训练。
局部密度邻域自训练法不同于传统的自训练，它首先利用密度峰值和自然邻域去挖掘数据之间存在的潜在信息和分布，以已标记样本(也即样本xi)为中心重新提取具有自然邻域关系并满足密度阈值的无标签样本进行自训练操作，该方法减少了对标签样本数据的分布和初始分类器性能的依赖，因为选取的无标签样本本身与有标签样本存在更加紧密的潜在联系，避免分类器性能的差距影响自训练性能，提高了半监督训练的准确度。
如图3所示，为了避免在训练过程中由于初始分类器C精度不高导致的错误累计，图3中使用的是重复标记自训练的方式进行训练，重复标记则是在第t次的迭代中选择比t-1次迭代时数量更多的无标签样本打上伪标签(也即数量上保证包含上一次迭代时的无标签样本)，并且这些已经被打上伪标签的数据不再从训练集中的无标签样本中删除，而是在每一步的训练过程中对其重复进行标记，这样再后续的训练过程中可以对被错误标记的样本进行修正，直到新的无标签样本中的所有样本都被贴上了伪标签，保存最终的判别器模型即为最终训练好的分类器。
步骤六：采用最终训练好的分类器构建调压器故障诊断模型，如图4所示，利用测试集对调压器故障诊断模型进行测试，得到调压器故障诊断准确率指标。通过信号采集设备实时采集调压器的故障数据，再进行二维转换后输入到调压器故障诊断模型中进行在线故障诊断，得到诊断结果。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (4)

1.基于自训练半监督生成对抗网络的调压器故障诊断方法，其特征在于，所述调压器故障诊断方法包括：
步骤一：通过信号采集设备获取调压器不同状态下的压力信号，所述信号采集设备包括相连的压力传感器与NI数据采集卡；
步骤二：将采集到的样本按照预设比例分为有标签样本集和无标签样本集；
所述压力信号为一维时序数据，利用相同大小的滑动窗口以固定步长分割所述一维时序数据获得样本，再利用二维转换的方式将一维时序数据转换成二维灰度图像样本；按照预设比例将数据集划分成训练集和测试集，其中训练集包含有标签样本和无标签样本，测试集均为无标签样本，其中标签类别包括正常状态、喘振故障、锁闭压力高、出口压力低；
步骤三：构建半监督生成对抗网络模型；
所述半监督生成对抗网络模型包括两个互相对抗的生成器和判别器，所述生成器和判别器主要由卷积层和全连接层组成；
在所述生成器中，输入是服从均值为0、方差为1的100维的高斯噪声，隐藏层有三层转置卷积，输出是大小为32×32的生成样本；在所述判别器中，输入是所述生成样本，输出是样本的类别标签和样本的真伪，且所述无标签样本和有标签样本的输出层对应不同的激活函数；隐藏层方面，所述生成器在三层所述转置卷积后，使用批归一化和LeakyRelu激活函数结构，最后一层输出层的激活函数为Tanh函数；所述判别器在卷积层之后也使用批归一化和LeakyRelu激活函数结构，并添加最大池化层提升特征提取能力，在全连接层之前使用dropout激活函数防止过拟合；所述判别器的隐藏层在进行有监督训练和无监督训练时权值共享、在输出层利用不同的激活函数来分类不同类型的样本；
步骤四：将所述训练集输入半监督生成对抗网络进行训练；
训练时先将所述训练集中的有标签样本输入至所述判别器中进行监督学习，所述判别器的输出层采用SoftMax函数输出预测类别，再与真实的标签计算交叉熵损失然后反向传播优化网络参数；再将所述训练集中的无标签样本和所述生成样本输入至经过预训练后的判别器中进行无监督学习，所述判别器进行特征提取，输出层采用Lamda激活函数输出样本是否为真实样本的概率值，然后再利用无监督部分的损失函数反向传播优化所述判别器与生成器的网络参数，将参数更新后的判别器作为初始分类器；
步骤五：利用所述训练集中的无标签样本对所述初始分类器进行局部密度邻域自训练；
在局部密度邻域中，首先定义局部密度ρi：
Figure FDA0003284155370000021
其中，|NaN(xi)|l是样本xi的自然邻域样本中标签样本的数量，NaN(xi)指的是样本xi的自然邻域样本集合，dist(xi，xj)指的是样本xi与样本xj的欧氏距离；
定义预设密度ρc：
Figure FDA0003284155370000022
其中dc为预设的截止距离；
获取所述训练集中的有标签样本和无标签样本的自然邻域；
计算所述有标签样本中每一个样本与其自然邻域内的其他样本之间的局部密度ρi，此时样本xj包括有标签样本和无标签样本；
提取所述有标签样本中每一个样本的自然邻域内的无标签样本、且所述有标签样本和无标签样本之间的局部密度ρi大于所述预设密度ρc，将符合要求的无标签样本重组为新的无标签样本；
将所述新的无标签样本按批次输入到所述初始分类器中进行标签预测，将所述SoftMax函数输出的类别置信度与预定置信水平值进行比较，若输出的类别的置信度大于等于预定置信水平值，则将该样本贴上对应的伪标签并添加到所述有标签样本中，且所述满足置信度的样本不从所述新的无标签样本中取出；
利用扩充样本后的有标签样本重新训练所述半监督生成对抗网络得到参数更新后的判别器作为初始分类器，重新执行所述将所述新的无标签样本按批次输入到所述初始分类器中进行标签预测，直到所述新的无标签样本中的所有样本都被贴上了伪标签，在迭代过程中对样本伪标签进行修正，自训练结束后得到最终的分类器；
步骤六：采用最终训练好的分类器构建调压器故障诊断模型，利用所述测试集对所述调压器故障诊断模型进行测试，得到调压器故障诊断准确率指标；通过所述信号采集设备实时采集所述调压器的故障数据，再进行二维转换后输入到所述调压器故障诊断模型中进行在线故障诊断，得到诊断结果；
在所述步骤四中，由于在所述半监督生成对抗网络中神经网络是通过随机梯度下降算法来反向传播修正网络参数，而所述随机梯度下降算法会出现局部最优或收敛速度缓慢的问题；Adam算法是基于梯度下降的优化算法，通过使用动量来限制迭代参数的学习步长从而改善传统梯度下降中存在的问题，促进超参数动态调整；因此，训练过程中网络参数按照如下规则进行更新：
Figure FDA0003284155370000031
Figure FDA0003284155370000032
其中，t表示迭代时间步数，α为学习率，mt和μt分别表示第t次梯度下降时第一时刻和第二时刻的偏差矫正估计，常数ε＝10-8，⊙指的是逐元素相乘运算符，β1、β2是矩估计指数衰减率，θ表示模型参数，
Figure FDA0003284155370000033
表示梯度运算符号，gt表示目标函数ft(θt-1)的梯度。
2.根据权利要求1所述的调压器故障诊断方法，其特征在于，在所述步骤四中，训练分类器的损失函数表示如下：
Figure FDA0003284155370000034
其中，Lsup、Lunsup、Lunlabel和Lgen分别表示为：
Figure FDA0003284155370000035
Lunsup＝Lunlabel+Lgen
Figure FDA0003284155370000036
Lgen＝-Ex～Glog[pmod(y＝m+1|x)]
x为训练集中的样本，y为类别标签，E为数学期望，pmod(y|x,y＜m+1表示X为某一种标签的概率，pmod(y＝m+1|x)表示x为假样本的概率；Lsup表示判别器进行有监督训练时的损失函数，Lunsup表示判别器进行无监督训练时的损失函数，Lunlabel表示判别器训练训练集中无标签样本时的损失函数，Lgen表示判别器训练生成样本时的损失函数，且Lgen也用来反向优化生成器的网络参数。
3.根据权利要求1所述的调压器故障诊断方法，其特征在于，所述SoftMax函数是一种有监督神经网络分类器，输出是样本属于每种类别的概率值；假设所述训练集的样本数为N、分为K个类别，记第n个样本的输出为yn∈(1,2,...,K)，输入样本xn属于第k类的概率用P(yn＝k|xn)表示，则对应SoftMax函数各个节点的输出值gw,b(xn)表示为：
Figure FDA0003284155370000041
其中，wk和bk分别是各类别的参数；所述SoftMax函数最终分类结果为拥有最大概率值的类别。
4.根据权利要求1所述的调压器故障诊断方法，其特征在于，在所述步骤二中，所述滑动窗口的大小为1024，进行二维转换后获得大小为32×32的二维灰度图像样本，且所述训练集中的有标签样本和无标签样本的比例为10:1。
CN202111142149.XA 2021-09-28 2021-09-28 基于自训练半监督生成对抗网络的调压器故障诊断方法 Active CN113884290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111142149.XA CN113884290B (zh) 2021-09-28 2021-09-28 基于自训练半监督生成对抗网络的调压器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111142149.XA CN113884290B (zh) 2021-09-28 2021-09-28 基于自训练半监督生成对抗网络的调压器故障诊断方法

Publications (2)

Publication Number Publication Date
CN113884290A CN113884290A (zh) 2022-01-04
CN113884290B true CN113884290B (zh) 2022-08-02

Family

ID=79007304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111142149.XA Active CN113884290B (zh) 2021-09-28 2021-09-28 基于自训练半监督生成对抗网络的调压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN113884290B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444620B (zh) * 2022-04-08 2022-07-22 中国石油大学(华东) 一种基于生成式对抗神经网络的示功图故障诊断方法
CN115049852B (zh) * 2022-08-15 2022-12-02 中国长江三峡集团有限公司 一种轴承故障诊断方法、装置、存储介质及电子设备
CN116204786B (zh) * 2023-01-18 2023-09-15 北京控制工程研究所 生成指定故障趋势数据的方法和装置
CN115859991A (zh) * 2023-02-28 2023-03-28 智慧眼科技股份有限公司 一种实体抽取方法、装置、设备及存储介质
CN116484258A (zh) * 2023-04-26 2023-07-25 成都市特种设备检验检测研究院(成都市特种设备应急处置中心) 电梯曳引机轴承故障诊断方法
CN116701956B (zh) * 2023-06-07 2023-12-08 唐山市燃气集团有限公司 基于故障属性燃气调压器联合映射零样本故障诊断方法
CN116910493B (zh) * 2023-09-12 2023-12-08 山东能源数智云科技有限公司 基于多源特征提取的设备故障诊断模型的构建方法及装置
CN116956197B (zh) * 2023-09-14 2024-01-19 山东理工昊明新能源有限公司 基于深度学习的能源设施故障预测方法、装置及电子设备
CN117076871B (zh) * 2023-10-16 2023-12-29 南京邮电大学 一种基于不平衡半监督对抗训练框架的电池故障分类方法
CN117407797B (zh) * 2023-12-15 2024-03-29 山东能源数智云科技有限公司 基于增量学习的设备故障诊断方法及模型的构建方法
CN118329450B (zh) * 2024-06-13 2024-08-27 成都数之联科技股份有限公司 一种轴承故障诊断方法、系统、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097103A (zh) * 2019-04-22 2019-08-06 西安电子科技大学 基于生成对抗网络的半监督图像分类方法
CN110110745A (zh) * 2019-03-29 2019-08-09 上海海事大学 基于生成对抗网络的半监督x光图像自动标注
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
CN110542819A (zh) * 2019-09-25 2019-12-06 贵州电网有限责任公司 一种基于半监督dbnc的变压器故障类型诊断方法
CN110617966A (zh) * 2019-09-23 2019-12-27 江南大学 一种基于半监督生成对抗网络的轴承故障诊断方法
CN111046900A (zh) * 2019-10-25 2020-04-21 重庆邮电大学 基于局部流形正则化的半监督生成对抗网络图像分类方法
CN112016395A (zh) * 2020-07-14 2020-12-01 华北电力大学（保定） 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110745A (zh) * 2019-03-29 2019-08-09 上海海事大学 基于生成对抗网络的半监督x光图像自动标注
CN110097103A (zh) * 2019-04-22 2019-08-06 西安电子科技大学 基于生成对抗网络的半监督图像分类方法
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
CN110617966A (zh) * 2019-09-23 2019-12-27 江南大学 一种基于半监督生成对抗网络的轴承故障诊断方法
CN110542819A (zh) * 2019-09-25 2019-12-06 贵州电网有限责任公司 一种基于半监督dbnc的变压器故障类型诊断方法
CN111046900A (zh) * 2019-10-25 2020-04-21 重庆邮电大学 基于局部流形正则化的半监督生成对抗网络图像分类方法
CN112016395A (zh) * 2020-07-14 2020-12-01 华北电力大学（保定） 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘坤等.基于半监督生成对抗网络X光图像分类算法.《光学学报》.2019,第39卷(第8期),第0810003-1至0810003-9页. *

Also Published As

Publication number Publication date
CN113884290A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN113884290B (zh) 基于自训练半监督生成对抗网络的调压器故障诊断方法
CN111860982B (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN111046900B (zh) 基于局部流形正则化的半监督生成对抗网络图像分类方法
CN110009030B (zh) 基于stacking元学习策略的污水处理故障诊断方法
CN110363230B (zh) 基于加权基分类器的stacking集成污水处理故障诊断方法
CN112560079B (zh) 一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击方法
CN114120041B (zh) 一种基于双对抗变分自编码器的小样本分类方法
CN110084148A (zh) 一种高压断路器机械故障诊断方法
CN111597340A (zh) 一种文本分类方法及装置、可读存储介质
Cheng et al. Towards flexible sparsity-aware modeling: Automatic tensor rank learning using the generalized hyperbolic prior
CN111340107A (zh) 基于卷积神经网络代价敏感学习的故障诊断方法及系统
Li et al. A novel generative model with bounded-GAN for reliability classification of gear safety
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN111191823A (zh) 一种基于深度学习的生产物流预测方法
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN116402352A (zh) 一种企业风险预测方法、装置、电子设备及介质
CN115345222A (zh) 一种基于TimeGAN模型的故障分类方法
CN112465226A (zh) 一种基于特征交互和图神经网络的用户行为预测方法
CN112270334A (zh) 一种基于异常点暴露的少样本图像分类方法及系统
CN114118146A (zh) 一种基于信念规则库的滚动轴承故障诊断方法及系统
CN114491823A (zh) 一种基于改进生成对抗网络的列车轴承故障诊断方法
CN114548154A (zh) 一种重要厂用水泵智能诊断的方法及装置
Hao et al. A Model-Agnostic approach for learning with noisy labels of arbitrary distributions
CN114328921B (zh) 一种基于分布校准的小样本实体关系抽取方法
CN114004295B (zh) 一种基于对抗增强的小样本图像数据拓展方法

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
GR01 Patent grant
GR01 Patent grant