CN116049719A - 基于迁移式生成模型的故障检测和估计方法、系统及介质 - Google Patents
基于迁移式生成模型的故障检测和估计方法、系统及介质 Download PDFInfo
- Publication number
- CN116049719A CN116049719A CN202310027033.4A CN202310027033A CN116049719A CN 116049719 A CN116049719 A CN 116049719A CN 202310027033 A CN202310027033 A CN 202310027033A CN 116049719 A CN116049719 A CN 116049719A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- normal
- domain
- generator
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000013508 migration Methods 0.000 title claims abstract description 56
- 230000005012 migration Effects 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 23
- 238000009499 grossing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 241001537210 Perna Species 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 18
- 239000000654 additive Substances 0.000 description 9
- 230000000996 additive effect Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000003623 enhancer Substances 0.000 description 4
- 230000008485 antagonism Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000002826 coolant Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000376 reactant Substances 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明属于工业故障诊断领域，公开了一种基于迁移式生成模型的故障检测和估计方法、系统及介质，选取正常样本集，进行数据预处理后，构建故障样本；定义正常域和故障域；构建生成对抗网络框架使生成器与判别器进行迭代训练；训练完成后，生成器对正常样本进行重构，将故障样本迁移至正常域中得到生成样本；判别器对正常样本和生成样本进行二进制决策，判断生成样本满足正常样本分布的概率；计算故障检测和估计指标得到正常样本与故障样本的差异值，通过计算测试统计量和德拉佩纳不等式确定正常域阈值；根据阈值和差异值实现故障检测与故障估计。本发明面对小样本甚至零样本问题下的故障诊断任务时，展示出良好的故障检测和故障估计性能。
Description
技术领域
本发明属于工业故障诊断领域，尤其涉及一种基于迁移式生成模型的故障检测和估计方法、系统及介质。
背景技术
目前，故障状态下的复杂工业系统对于生命安全与经济效益带来的损害十分严重。随着现代工业自动化与智能化水平的提升，精确、及时的过程监测和故障诊断有利于操作人员及时、准确地识别控制系统中的行为、检测控制系统的状态，从而提升生产过程的安全性、可靠性和经济性。但相较于工业系统长时间处于正常状态，故障样本难以获取，其中有价值的故障信息难以提取，这为故障诊断和溯源任务带来了极大的挑战。
故障诊断技术涵盖了对系统故障进行检测、隔离与估计等多项子任务，通常建立能反映系统行为偏差的故障检测指标(FDI)模型，实现工业系统的故障诊断目的。通常，可以将故障诊断方法分为基于信号分析、基于模型与基于数据驱动的方法。基于信号分析和模型的故障诊断方法往往存在许多局限性，如：需要相当复杂的物理化学先验知识，对于复杂工业系统难以精确建模等。与之相比的是，数据驱动方法直接从系统可用数据(数据本身包含了系统结构变化、未建模动态和未知干扰等信息)出发，摆脱了对模型的依赖，提高了故障诊断的准确性。根据研究变量的类型，基于数据驱动的建模方法来实现故障诊断任务可以分为确定型模型和生成模型两类。由于确定型模型是从数据自身中学习深层特征，而生成模型是从数据分布中学习深层特征，生成模型方法的采样操作不会过度学习某单一数据点，因此具有更强大的泛化性能。常见的生成模型方法有：概率主成分分析、高斯混合模型、受限玻尔兹曼机、隐马尔可夫模型等。但上述方法均属于浅层学习方法，仅包含一个映射层，它们对简单分布的数据相对有效，却难以提取服从非高斯分布的复杂非线性数据的深层特征。以深层信念网络、变分自动编码器、生成对抗网络(GAN)等为代表的深层生成模型通过最大化似然来学习潜在变量和观测值的联合分布或观测值的后验分布，实现在任意分布的数据中提取深层信息。
GAN作为最近崛起的一种深层生成模型，通常被当作一项数据加强器用于生成虚拟故障样本，并用来解决故障分类中样本不平衡和小样本问题。考虑到在故障诊断任务中任何故障的组合都应被视为一类新的故障，这导致故障的类别应当是无穷无尽的。因此，结合大数据背景设计基于深层生成模型的观测器，而不是用于故障分类的数据增强器，将其用于模拟正常状态下的系统行为，并监控由故障引起的任何行为偏差，来进行故障诊断具有十分重要的意义。
通过上述分析，现有技术存在的问题及缺陷为：
工业系统中，故障样本难以获取，其中有价值的故障信息更是难以提取；
现有的浅层学习方法仅包含一个映射层，难以提取服从非高斯分布的复杂非线性数据的深层特征。
发明内容
针对现有技术存在的问题，本发明提供了一种基于迁移式生成模型的故障检测和估计方法、系统及介质。
本发明是这样实现的，提供的一种基于迁移式生成模型的故障检测和估计方法包括：
选取正常样本集，进行数据预处理后，构建故障样本；定义正常域和故障域；构建生成对抗网络框架，使生成器与判别器进行迭代训练；训练完成后，生成器对正常样本进行重构，对故障样本迁移至所述正常域中，得到生成样本；判别器对正常样本和生成样本进行二进制决策，判断生成样本满足正常样本分布的概率；根据正常样本与故障样本的差异值得到故障检测指标和故障估计指标，通过计算测试统计量和德拉佩纳不等式确定正常域阈值；根据差异值和阈值，实现故障检测与故障估计。
进一步，所述故障样本是将虚拟故障信号添加到正常样本中得到的，每次遍历所述正常样本集后均生成一个新的故障样本集，保持正常样本原始顺序不变的同时，对所述故障样本集重新洗牌；
所述故障样本xf表示为：
xf＝xn+f
式中，f表示随机虚拟故障信号，xn表示正常样本。
进一步，所述正常域为观测域中正常样本所处范围，集合表示为：
式中，
表示整个观测空间域，
表示维度为mx的正常域空间；整个观测空间域外的其余空间范围均被定义为故障域；
故障样本所处的故障域表示为：
进一步，所述生成器与判别器进行迭代训练的具体过程为：
采用全连接神经网络构造生成器
和判别器
并根据所述正常域与所述故障域的关系定义所述生成器与所述判别器的损失函数；进行生成器与判别器的参数迭代，通过所述损失函数反向传播后更新各自网络参数；采用单侧标签平滑方法和非混合训练方法维持训练稳定。
进一步，所述生成器的损失函数包括：
正常样本xn的损失函数由生成器损失
和重构损失
两部分组成，表达式为：
式中，λ为常数，N表示训练的总样本量，
表示生成器的网络参数，xn(t)表示于第t个时刻采样的正常样本，
表示由生成器重构后的正常样本，
表示重构正常样本为真样本的概率；
故障样本xf的损失函数
表示为：
式中，xf(t)表示于第t个时刻采样的故障样本，
表示由生成器消除故障信号后的故障样本，
表示消除故障信号后故障样本为真样本的概率；
所述判别器的损失函数包括：
正常样本xn的损失函数
表示为：
式中，
表示判别器的网络参数，
表示正常样本为真样本的概率；
所述生成样本包括重构后的正常样本
和迁移后的故障样本
所述生成样本的损失函数
表示为：
其中，
和
分别表示重构后正常样本和迁移后故障样本为真样本的概率；
所述单侧标签平滑方法是通过添加随机数
将所述损失函数
替换为：
式中，
服从伯努利分布；
所述非混合训练方法将真样本与假样本分开对
和
进行训练。
进一步，所述判别器对正常样本和生成样本进行二进制决策中，所述判别器对正常样本输出为1，对故障样本输出为0；
将重构后的正常样本
和迁移后的故障样本
以及正常样本xn共同输入至判别器中，得到输入样本为真的概率。
进一步，所述故障检测指标为基于生成器构建的残差产生器，计算过程包括：
所述故障样本中的故障影响项表示为：
φFD(xn+f)＝φFD(xn)+ft
式中，φFD(·)表示故障检测指标函数，ft表示故障样本与正常样本之间存在的差异；
所述故障检测指标表示为：
式中，
代表训练良好的生成器网络参数；
对于正常样本xn，所述故障检测指标表示为：
式中，εn表示正常样本xn通过生成器后的重构误差，
代表正常样本重构误差的数学期望；
对于故障样本xf，所述故障检测指标表示为：
式中，εf代表故障样本迁移前后的残差；
所述故障估计中故障样本所对应的估计正常样本表示为：
故障估计指标表示为：
进一步，所述确定正常域阈值是采用基于随机算法的方法，用样本平均值来估计期望值，从而使得设定的阈值满足给定的置信水平；
对于给定的阈值Jth，测试统计量小于阈值则被视为位于正常域，大于阈值则被视为位于故障域；所述测试统计量T2用于将故障检测指标从多维向量转换为单个值，表示为：
式中，
表示正常观测值的协方差矩阵；
测试统计量的正常域
与故障域
表示为：
设定用于表示正常样本的测试统计量T2是否超过设定阈值的指标函数Γ(t)，所述指标函数遵循伯努利分布，表达式为：
然后用一组鞅序列来定义一项新的指标函数，表示为：
式中，
表示给定一个阈值时估计的误报率；
通过计算出和鞅序列及其平方和序列以及德拉佩纳不等式，得到一项更优的建模最小样本需求量，所述建模最小样本需求量表示为：
式中，∈表示允许误差，1-δ表示置信度，ν由双边德拉佩纳界估计得到，Nmin表示在给定∈和δ条件下基于德拉佩纳不等式的最小样本量；
采用基于排序算法的阈值学习方法调整阈值Jth，包括如下过程：
计算φFD(xn(t))的测试统计量T2，并按正序排列：
取一个正整数kth满足：
将阈值设定为：
本发明的另一目的在于提供一种基于迁移式生成模型的故障检测和估计系统，所述基于迁移式生成模型的故障检测和估计系统包括：
样本构建模块，用于对正常样本添加虚拟故障信号，得到故障样本；
生成对抗网络模块，用于生成器与判别器两者相互对抗地进行迭代训练，所述生成器用于对正常样本进行重构，将故障样本迁移至正常域中，所述判别器用于对正常样本和生成样本进行二进制决策，判断生成样本满足正常样本分布的概率；
故障指标模块，用于计算故障检测指标以及故障估计指标；
阈值设定模块，用于通过计算正常样本所对应的测试统计量和德拉佩纳不等式确定正常域阈值；
故障检测估计模块，用于根据阈值和残差，实现故障检测与故障估计。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于迁移式生成模型的故障检测和估计方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于迁移式生成模型的故障检测和估计方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述基于迁移式生成模型的故障检测和估计系统。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明提出了一种基于迁移式生成模型的故障检测和估计方法，设计了一种新的基于GAN的故障检测器。在所提出的方法中，正常样本值和生成的故障观测值均用于训练模型，其中从收集的正常样本中添加虚拟故障信号生成故障样本，另外采用递归和无序的生成策略提高了生成器的泛化性能，得以识别不同的故障。通过充分的训练，迁移式生成模型中的生成器将作为一项观测模型和故障估计模型，能将正常样本和故障样本迁移至正常域中，得出生成器的残差信号。
本发明根据生成器的残差信号设置了一项与之对应的故障检测指标，根据阈值能够进一步地判断观测值所在的域，从而实现故障检测和故障估计目的。本发明设计的迁移式生成模型精确实现了多变量上故障信号的重构与估计，体现出良好的故障检测和故障估计性能。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明设计了一种新的基于迁移学习思想的GAN的观测器。与以数据增强、分类为目的的传统GAN模型不同的是，本发明设计的迁移式生成模型能通过生成器得出的检测指标，并根据阈值判断出观测值是否处于故障域，从而实现故障检测与估计。
本发明提出了一种从正常样本中随机生成故障数据的算法，采用递归和无序的生成策略提高了生成器的泛化性能，得以识别不同的故障。
本发明面对小样本甚至零样本问题下的故障诊断任务时，展示出良好的故障检测和故障估计性能。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
本发明的技术方案克服了技术偏见：在工业过程控制中，以故障诊断为目的的GAN通常被当作一项数据加强器用于生成虚拟故障样本，并用来解决故障分类中样本不平衡和小样本问题，用以提高故障分类的准确性。本发明设计了一种新的基于迁移学习思想的GAN的故障检测器，而不是用于故障分类的数据增强器。它能及时、有效检测出复杂非线性系统中的故障，其中通过本发明提出的基于迁移式生成模型中的生成器得出的故障检测指标可以达到故障检测和故障估计的目的。
附图说明
图1是本发明实施例提供的基于迁移式生成模型的故障检测和估计方法的流程图；
图2是本发明实施例提供的单变量加性故障的故障检测曲线图；
图3是本发明实施例提供的多变量加性故障的故障检测曲线图；
图4是本发明实施例提供的单变量加性故障的故障估计曲线图；
图5是本发明实施例提供的多变量加性故障的故障估计曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明实施例提供的基于迁移式生成模型(DTGAN)的故障检测和估计方法包括：
S101，选取正常样本集，对正常样本进行数据预处理后，添加虚拟故障信号，得到虚拟故障样本；
S102，定义观测域中正常样本所处范围为正常域，其余范围为故障域；
S103，构建生成对抗网络框架，使生成器与判别器两者相互对抗的进行迭代训练，反向传播后更新各自网络参数，使生成器和判别器两者渐进一致的达到纳什均衡状态；
S104，训练成功后，生成器对正常样本进行重构、将故障样本迁移至正常域中，判别器对正常样本和生成样本进行二进制决策，准确判断该样本满足正常样本分布的概率；
S105，基于生成器构建的残差产生器可用作故障检测指标(FDI)，通过计算正常样本所对应的测试统计量和德拉佩纳不等式确定正常域阈值；
S106，根据阈值和残差自身性质，实现故障检测与故障估计。
进一步，所述S101中选取的正常样本集均来源于真实世界，而虚拟故障样本是通过将一项随机故障信号添加到正常样本中得到的。为了增强该网络的泛化性能，对任意故障类别均保持敏感，待每次遍历数据集后均生成一个新的虚拟故障数据集，且在保持正常样本原始顺序的同时，对虚拟故障样本集重新洗牌。
进一步，所述S102中正常域描述了系统在无故障运行状态下的观测空间，其集合可表示为：
其中，
表示整个观测空间域，
表示维度为mx的正常域空间；
其余空间范围均被定义为故障域，即整个观测域，除了正常域就是故障域。通过将随机虚拟故障信号f添加到正常样本，生成虚拟故障样本xf可表示为：
故障样本所处的故障域可以表示为：
进一步，所述S103的具体过程为：
采用全连接神经网络构造生成器
和判别器
并根据正常域与故障域两者间的关系定义所述生成对抗网络的生成器与判别器的损失函数；
生成器与判别器的参数迭代；
采用单侧标签平滑和非混合训练两种技术维持训练稳定。
进一步，所述生成器的损失函数：对于正常样本xn来说，迁移式生成模型中生成器的目的是使重构后的正常样本仍为自身。因此，xn损失由生成器损失
和重构损失
两部分组成：
其中，λ表示一个常数，N表示训练的总样本量，
表示生成器的网络参数，xn(t)表示于第t个时刻采样的正常样本，
表示由生成器重构后的正常样本，
表示重构正常样本为真样本的概率。
对于故障样本xf而言，生成器的目的是移除样本中所包含的故障信号，以便生成的样本可以返回正常域，因此，xf的损失函数
可以表示为：
其中，xf(t)表示于第t个时刻采样的故障样本，
表示由生成器消除故障信号后的故障样本，
表示消除故障信号后故障样本为真样本的概率。
所述判别器的损失函数：判别器将满足正常样本分布的样本判定为真样本。对于正常样本来说，其损失函数
可以被表示为：
其中，
表示判别器的网络参数，
表示正常样本为真样本的概率。
对于重构后的正常样本
和迁移后的故障样本
来说，其损失函数
可以用下式描述：
其中，
和
分别表示重构后正常样本和迁移后故障样本为真样本的概率。
进一步，所述生成器与判别器的参数迭代过程为：
通过上述损失函数的反向传播，分别对生成器与判别器进行迭代优化。在生成器和判别器的训练过程中，两者的训练目标是相反的，这推动了它们之间的对抗和再优化。通过良好的训练，生成器可被训练为一项故障域迁移映射。
进一步，所述采用单侧标签平滑和非混合训练两种技术维持训练稳定的具体过程为：
由于迁移式生成模型中生成器与判别器对抗训练的特性，生成器十分容易陷入局部最优解中。因此，引入一项单侧标签平滑技术，添加随机数
使判别器对于真样本的训练不那么严格有助于使生成器被训练的更好。它将式子(7)中的损失函数
替换为：
其中，
服从伯努利分布；
在判别器训练过程中，同时使用真样本和假样本对判别器训练，会导致损失中和问题的出现，以至于训练效果变差。为了解决该问题，维持训练稳定，采用非混合训练方法，将真样本与假样本分开对判别器训练，即分别训练
和
进一步，所述S104的具体过程为：
无论是正常样本还是故障样本，本发明均能通过生成器将其迁移至正常域中，此时得出的生成的样本均符合正常样本的分布。本发明将正常样本xn设置为真样本，也就是说，判别器对于正常样本输出为1，对于故障样本输出为0。此时，将生成样本
以及正常样本xn共同输入至判别器中，得到输入样本为真的概率。由于损失函数的限制，判别器对于正常样本xn和生成样本
得出的数据近似，因此本发明可以将生成器构建为一项残差产生器，而将该残差定义为故障检测指标。此时，该故障检测指标对于正常样本与故障样本存在显著差异，能达到故障检测目的。
进一步，所述S105包括故障检测指标(FDI)设计以及阈值设定；
所述故障检测指标(FDI)设计的具体过程包括：
针对正常样本和故障样本难以区分的问题，提出一项能准确反映系统行为偏差的故障检测指标(FDI)。故障样本与正常样本之间存在的差异，可被描述为故障影响项ft，它导致了系统行为过程发生偏差，故障样本中的故障影响项可被定义为：
φFD(xn+f)＝φFD(xn)+ft (10)
其中，φFD(·)表示故障检测指标函数。
进一步地，构建如下所示的故障检测指标(FDI)：
其中，
代表训练良好的生成器网络参数；
对于正常样本，从
中可知正常样本xn通过生成器后存在重构误差εn。由于正常样本的重构误差接近于零，FDI可被表示为：
其中，
代表正常样本重构误差的数学期望；
此外，生成器和判别器的对抗训练将促使生成样本的分布逐渐逼近正常样本分布。无论生成器的输入是否处于故障状态，经过充分的训练后，对应生成样本的分布将与正常样本的分布相同。由此本发明可以得到，故障样本所对应的FDI可被定义为：
其中，εf代表故障样本迁移前后的残差；
通过提出的FDI可得出正常样本与故障样本的差异值，故障检测得以实现。为了更直观地体现故障检测结果，采用基于T2测试统计量对FDI指标进行描述，将FDI从多维向量转换为单个值进行表示，如下：
其中，
表示正常观测值的协方差矩阵。
在大多数方法中，故障检测(FD)和故障估计(FE)通常被视为两个不同的任务，只有当观测器具有预测特性时，如本发明的迁移式生成模型，FE才能被嵌入到FD中。对于FE，故障样本所对应的估计正常样本可以被定义为：
FE指标可由此得出：
所述阈值设定是故障性能评估中评估模型的后续步骤,为了避免敏感超参数的限制以及分布概率密度未知的窘境，采用基于随机算法(RA)的方法，用样本平均值来估计期望值，从而使得设定的阈值满足给定的置信水平。
阈值Jth用来描述正常样本测试统计量的不确定性，大部分正常样本测试统计量均被限制在阈值范围内。对于给定的阈值Jth，测试统计量小于阈值则被视为位于正常域，大于阈值则被视为位于故障域，测试统计量的正常域与故障域可被定义为：
接下来，本发明设定用于表示正常样本的T2测试统计量是否超过设定阈值的指标函数Γ(t)，这是一个与阈值Jth相关的函数，它遵循伯努利分布：
为了考虑随机扰动的分布和超限样本计数过程的弱相关性，本发明引用一项弱相关随机过程——鞅来学习阈值，用一组鞅序列来定义一项新的指标函数，可被表示为：
其中，
表示给定一个阈值时估计的误报率(FAR)。
通过计算出和鞅序列及其平方和序列以及德拉佩纳不等式，可以得到一项更优的建模最小样本需求量，从而更好的指导阈值学习。其中建模最小样本需求量可被表示为：
其中，∈表示允许误差，1-δ表示置信度，ν可以由双边德拉佩纳界估计得到，Nmin表示在给定∈和δ条件下基于德拉佩纳不等式的最小样本量。
为了能不断调整阈值Jth，提出一种基于排序算法的阈值学习方法，包括以下三个步骤：
(1)计算φFD(xn(t))的T2测试统计量，并按正序排列：
(2)取一个正整数kth满足：
(3)将阈值设定为：
进一步，所述S106的具体过程为：
设置以故障检测和故障估计目的的性能评估指标：误报率(FAR)、漏报率(MDR)用于评估故障观测器的故障检测(FD)性能；根据估计故障信号与真实故障信号间的均方根误差(RMSE)和平均均方根误差(ARMSE)用于评估故障估计(FE)性能。
本发明实施例还提供了一种基于迁移式生成模型的故障检测和估计系统包括：
样本构建模块，用于对正常样本添加虚拟故障信号，构建故障样本；
生成对抗网络模块，用于生成器与判别器两者相互对抗地进行迭代训练，生成器用于对正常样本进行重构，将故障样本迁移至正常域中，判别器用于对正常样本和生成样本进行二进制决策，判断生成样本满足正常样本分布的概率；
故障指标模块，用于计算故障检测指标以及故障估计指标；
阈值设定模块，用于通过计算正常样本所对应的测试统计量和德拉佩纳不等式确定正常域阈值；
故障检测估计模块，用于根据阈值和残差，实现故障检测与故障估计。
为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
将本发明应用实施例提供的基于迁移式生成模型的故障检测和估计方法应用于计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于迁移式生成模型的故障检测和估计方法的步骤。
将本发明应用实施例提供的基于迁移式生成模型的故障检测和估计方法应用于信息数据处理终端，所述信息数据处理终端用于实现所述基于迁移式生成模型的故障检测和估计系统。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
本发明实施例定义故障检测和估计的性能评估指标：
误报率(FAR)、漏报率(MDR)适用于评估观测器的故障检测(FD)性能，定义如下：
其中，xo表示在线测试中状态未知的观测值；
假设在线收集Nc类数据集，每个数据集代表一类故障。第i个数据集中有Ni个样本，由若干个正常数据和故障数据共同组成。然后，在线采集的样本总数可以表示为
由此可得，第i类的FAR和MDR及其平均值可表示为：
其中，Γ(t)的上标n,f分别表示观测值的真实标签为正常或故障。
此外，FE的性能可以通过均方根误差(RMSE)和ARMSE来衡量，可被表示为：
其中，
和f分别表示添加到正常样本中的估计故障信号和实际故障信号。
其次，本发明实施例利用连续搅拌槽反应器(CSTR)进行模拟：
在化工过程中，连续搅拌槽反应器(CSTR)是一种十分常见的设备。该过程是工业中典型的、复杂的、高度非线性的化学反应系统。其特点是投资少、热交换能力强和生产的产品质量稳定，因此在实际的工业生产中广泛运用，也就具有很高的研究价值。但是在实际生产过程中，化工生产的产品质量不一定就能达到理论上的需要的品质标准，他会受到许多因素的影响，如反应物的浓度、温度是否变化、反应容器是否正常、是否有其他物质混入、监控中是否有干扰、催化剂的活性、热交换器是否结垢、传感器是否正常等等。这些复杂的因素将会影响生产的经济效益，甚至有安全隐患，可能对人身安全造成一定的威胁，因此对CSTR过程的故障研究将变得尤为重要。
本实施例提供的工业过程故障诊断方法可以应用于工业控制系统，获取工业控制系统中目标设备在运行过程中的目标监测数据。以CSTR为例，在CSTR中通过装置中搅拌器作用，装置内的材料可以连续反应,它促进了反应体系中温度和浓度的平衡，该模型允许本发明通过控制进料温度和浓度、冷却液进口温度以及其它传感器测量值来模拟CSTR的运行过程。因此CSTR系统的可操纵变量包括进料浓度Ci和温度Ti和冷却液进口温度Tci，本发明可以将操纵变量u和响应变量y分别表示为：
其中，上标s表示传感器测量的变量,C和T分别表示反应物的浓度和温度；Tc和Qc分别表示冷却剂的温度和流速。
在CSTR模型中，引入了六种不同的加性故障，最后三个附加故障影响多个变量。其详细信息如下表1所示，其中下标为“0”的变量表示添加故障信号之前的值：
表1CSTR模拟中的故障介绍
在采集样本的过程中，CSTR在正常状态下模拟十次，每次采集1201个样本，并且CSTR额外运行了6次，以收集表1中提到的故障数据集，用于在线测试。故障是在故障集中的第200个采样间隔之后引入的。通过这种方式，本发明分别收集了12010和9608个样本进行训练和测试。
需要说明的是，采集样本数据可以理解为在线监控生产过程，在线采集工业过程的样本数据。本实施例提供的工业过程故障诊断方法可以应用于电子设备。具体地，可以在线采集工业过程的控制系统数据。电子设备可以先与控制系统建立通讯连接，从控制系统采集当前时刻过程参数。样本大小的组成如表2所示：
表2 CSTR模拟中的故障介绍
为了提高网络的泛化性能并且有效防止过度拟合，本发明选择用一种非常常见的深度学习方法dropout，加在隐藏层中，用字母
表示，具体可以被表示为：
其中，
表示第lth层中的第jth项神经元激活，pdropout表示dropout操作的概率，
表示均匀分布U(0,1)中的随机值。
换句话说，本发明设定了一个概率，即一部分加权输入将被暂时丢弃，不会传递到下一层神经元,经过多次实验及对误差的分析，本发明将dropout操作执行的概率定在0.382。
在迁移式生成模型(DTGAN)中，超参数的不同会存在干扰，因此为了提高模型在线监测的鲁棒性，经过多次训练，选取了生成器和判别器最佳的神经网络模型，能对FD和FE效果达到最优。其中，ι(ml,ml+1)表示神经网络第l层经过线性加权到第l+1层，ml表示第l层中神经元的数目，
表示在隐藏层实现dropout操作，σ表示选择相应的激活函数，→表示前向传播，下标中的字母A、S、T和L分别代表Affine、Sigmoid、Tanh和LeakyReLU激活函数，如下表3所示：
表3模型结构和激活函数表
在模型训练的过程中，其余的参数选择如下：迭代次数Nepoch＝20；批尺寸Nbatch_size＝16；学习率η＝10-4；重构损失系数λ＝10；允许误差∈＝5×10-3；置信度1-δ＝99.5％；预估FAR的期望为
其中，生成器通过Adam优化器优化网络参数，判别器通过SGD优化器优化网络参数。
为了进行比较实验，本发明同样使用表3所示的模型结构和激活函数，以FD为目的，构建了基于残差的深度自编码器(DAEs)和变分自编码器(VAEs)。对于VAEs，其编码器的输出激活函数应替换为“A”，以适应潜在变量均值和对数方差的任意实值要求。另外，DAEs和VAEs的其他参数设置则与DTGAN相同。
下表4列出了经过10次独立重复试验下AFAR和AMDR的平均值和标准差，其中AFAR应不高于0.5％，AMDR应越小越好。VAE实现了相对较低的AMDR，但其AFAR未达到预期值，该值应小于0.5％。此外，DTGAN和DAE的性能相差不远，DAE具有更低的AMDR，但AFAR超过0.5％，未达到预期值。在构造的模型中，提出的DTGAN可以实现最佳的FD性能，FD结果的均值表如下表4所示：
表4十次独立重复实验中FD结果的均值(±标准差)
相应地，下表5显示了三种模型(DTGAN、VAE、DAE)对于六类不同故障的故障检测结果，可以看出，三种模型对加性故障均表现出了较高的FD性能。
表5六类故障的FD结果(％)信息表
相应地，图2和图3分别展示出了使用DTGAN后的单变量、多变量的加性故障曲线。在图2中，本发明对单变量故障(故障2)进行了分析，而在图3中，本发明对多变量故障(故障6)进了行分析。其中，直线表示标记为正常样本，从样本201开始虚点线表示标记为故障样本，虚线表示学习的阈值，其上限即黑色覆盖的范围表示由DTGAN预测样本的故障状态，其下限即浅灰色覆盖的范围表示预测样本的正常区域。从图2和图3中可以看出，预测的样本结果能很好地满足FD指标。
除故障诊断外，上述方法还可用于故障估计，下表6显示了基于定义的ARMSE的故障估计结果的均值，更直观地，图4和图5显示了单变量加性故障和多变量加性故障的典型FE结果。在图4中，本发明对单变量故障(故障2)进行了分析，而在图5中，本发明对多变量故障(故障6)进了行分析，因此图5存在2个实际的故障信号。真实故障信号用直线表示，对应预测的故障信号用点直线表示，从图4和图5的结果可以明显看出，预测的故障信号能够很好地跟踪真实的故障信号，预测结果能够满足FE指标。
表6DTGAN在十次独立重复实验中的FE结果的均值(±标准差)
综上所述，本发明提出了一种用于故障检测与估计的迁移式生成模型，设计了一种新的基于GAN的故障检测器。在迁移式生成模型中，正常样本值和生成的故障观测值均用于训练模型，其中从收集的正常样本中添加虚拟故障信号生成故障样本，另外递归和无序的生成策略提高了生成器的泛化性能，得以识别不同的故障。通过充分的训练，迁移式生成模型中的生成器将作为一项观测模型和故障估计模型，将正常样本和故障样本迁移至正常域中。此外，本发明采用了单侧标签平滑和非混合训练两种技术来解决迁移式生成模型中生成器的训练不稳定问题，根据生成器的残差信号设置了一项与之对应的故障检测指标，根据阈值能够进一步地判断观测值所在的域，从而实现故障检测和故障估计目的。最后，用CSTR仿真验证了该方法的有效性，与基于残差的VAE和DAE观测器相比，迁移式生成模型在给定的AFAR下表现出较低的AMDR。迁移式生成模型精确实现了多变量上故障信号的重构与估计，体现出良好的故障检测和故障估计性能。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于迁移式生成模型的故障检测和估计方法，其特征在于，所述基于迁移式生成模型的故障检测和估计方法包括：
选取正常样本集，进行数据预处理后，构建故障样本；定义正常域和故障域；构建生成对抗网络框架，使生成器与判别器进行迭代训练；训练完成后，生成器对正常样本进行重构，将故障样本迁移至所述正常域中，得到生成样本；判别器对正常样本和生成样本进行二进制决策，判断生成样本满足正常样本分布的概率；基于故障检测指标和故障估计指标得到正常样本与故障样本的差异值，通过计算测试统计量和德拉佩纳不等式确定正常域阈值；根据阈值和差异值，实现故障检测与故障估计。
2.如权利要求1所述基于迁移式生成模型的故障检测和估计方法，其特征在于，所述故障样本是将随机故障信号添加到正常样本中得到的，每次遍历所述正常样本集后均生成一个新的故障样本集，保持正常样本原始顺序不变的同时，对所述故障样本集重新洗牌；
所述故障样本xf表示为：
xf＝xn+f
式中，f表示随机虚拟故障信号，xn表示正常样本。
3.如权利要求1所述基于迁移式生成模型的故障检测和估计方法，其特征在于，所述正常域为观测域中正常样本所处范围，集合表示为：
式中，
表示整个观测空间域，
表示维度为mx的正常域空间；整个观测空间域外的其余空间范围均被定义为故障域；
故障样本所处的故障域表示为：
所述生成器与判别器进行迭代训练的具体过程为：
采用全连接神经网络构造生成器
和判别器
并根据所述正常域与所述故障域的关系定义所述生成器与所述判别器的损失函数；进行生成器与判别器的参数迭代，通过所述损失函数反向传播后更新各自网络参数；采用单侧标签平滑方法和非混合训练方法维持训练稳定。
4.如权利要求3所述基于迁移式生成模型的故障检测和估计方法，其特征在于，所述生成器的损失函数包括：
正常样本xn的损失函数由生成器损失
和重构损失
两部分组成，表达式为：
式中，λ为常数，N表示训练的总样本量，
表示生成器的网络参数，xn(t)表示于第t个时刻采样的正常样本，
表示由生成器重构后的正常样本，
表示重构正常样本为真样本的概率；
故障样本xf的损失函数
表示为：
式中，xf(t)表示于第t个时刻采样的故障样本，
表示由生成器消除故障信号后的故障样本，
表示消除故障信号后故障样本为真样本的概率；
所述判别器的损失函数包括：
正常样本xn的损失函数
表示为：
式中，
表示判别器的网络参数，
表示正常样本为真样本的概率；
所述生成样本包括重构后的正常样本
和迁移后的故障样本
所述生成样本的损失函数
表示为：
其中，
和
分别表示重构后正常样本和迁移后故障样本为真样本的概率；
所述单侧标签平滑方法是通过添加随机数
将所述损失函数
替换为：
式中，
服从伯努利分布；
所述非混合训练方法将真样本与假样本分开对
和
进行训练。
5.如权利要求1所述基于迁移式生成模型的故障检测和估计方法，其特征在于，所述判别器对正常样本和生成样本进行二进制决策中，所述判别器对正常样本输出为1，对故障样本输出为0；
将重构后的正常样本
和迁移后的故障样本
以及正常样本xn共同输入至判别器中，得到输入样本为真的概率；
所述故障检测指标为基于生成器构建的残差产生器，计算过程包括：
所述故障样本中的故障影响项表示为：
φFD(xn+f)＝φFD(xn)+ft
式中，φFD(·)表示故障检测指标函数，ft表示故障样本与正常样本之间存在的差异；
所述故障检测指标表示为：
式中，
代表训练良好的生成器网络参数；
对于正常样本xn，所述故障检测指标表示为：
式中，εn表示正常样本xn通过生成器后的重构误差，
代表正常样本重构误差的数学期望；
对于故障样本xf，所述故障检测指标表示为：
式中，εf代表故障样本迁移前后的残差；
所述故障估计中故障样本所对应的估计正常样本表示为：
故障估计指标表示为：
6.如权利要求1所述基于迁移式生成模型的故障检测和估计方法，其特征在于，所述确定正常域阈值是采用基于随机算法的方法，用样本平均值来估计期望值，从而使得设定的阈值满足给定的置信水平；
对于给定的阈值Jth，测试统计量小于阈值则被视为位于正常域，大于阈值则被视为位于故障域；所述测试统计量T2用于将故障检测指标从多维向量转换为单个值，表示为：
式中，
表示正常观测值的协方差矩阵；
测试统计量的正常域
与故障域
表示为：
设定用于表示正常样本的测试统计量T2是否超过设定阈值的指标函数Γ(t)，所述指标函数遵循伯努利分布，表达式为：
然后用一组鞅序列来定义一项新的指标函数，表示为：
式中，
表示给定一个阈值时估计的误报率；
通过计算出和鞅序列及其平方和序列以及德拉佩纳不等式，得到一项更优的建模最小样本需求量，所述建模最小样本需求量表示为：
式中，∈表示允许误差，1-δ表示置信度，ν由双边德拉佩纳界估计得到，Nmin表示在给定∈和δ条件下基于德拉佩纳不等式的最小样本量；
采用基于排序算法的阈值学习方法调整阈值Jth，包括如下过程：
计算φFD(xn(t))的测试统计量T2，并按正序排列：
取一个正整数kth满足：
将阈值设定为：
7.一种实施如权利要求1-6成模型的故障检测和估计系统，其特征在于，所述基于迁移式生成模型的故障检测和估计系统包括：
样本构建模块，用于对正常样本添加虚拟故障信号，得到故障样本；
生成对抗网络模块，用于生成器与判别器两者相互对抗地进行迭代训练，所述生成器用于对正常样本进行重构，将故障样本迁移至正常域中，所述判别器用于对正常样本和生成样本进行二进制决策，判断生成样本满足正常样本分布的概率；
故障指标模块，用于计算故障检测指标以及故障估计指标；
阈值设定模块，用于通过计算正常样本所对应的测试统计量和德拉佩纳不等式确定正常域阈值；
故障检测估计模块，用于根据阈值和残差，实现故障检测与故障估计。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述基于迁移式生成模型的故障检测和估计方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述基于迁移式生成模型的故障检测和估计方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述基于迁移式生成模型的故障检测和估计系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310027033.4A CN116049719A (zh) | 2023-01-09 | 2023-01-09 | 基于迁移式生成模型的故障检测和估计方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310027033.4A CN116049719A (zh) | 2023-01-09 | 2023-01-09 | 基于迁移式生成模型的故障检测和估计方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116049719A true CN116049719A (zh) | 2023-05-02 |
Family
ID=86115968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310027033.4A Pending CN116049719A (zh) | 2023-01-09 | 2023-01-09 | 基于迁移式生成模型的故障检测和估计方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116049719A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993319A (zh) * | 2023-07-14 | 2023-11-03 | 南京先维信息技术有限公司 | 一种基于物联网的远程设备健康监测方法及装置 |
| CN117075582A (zh) * | 2023-09-08 | 2023-11-17 | 兰州理工大学 | 一种基于dsecmr-vae的工业过程广义零样本故障诊断方法 |
| CN117330315A (zh) * | 2023-12-01 | 2024-01-02 | 智能制造龙城实验室 | 一种基于在线迁移学习的旋转机械故障监测方法 |
| CN117669388A (zh) * | 2024-01-30 | 2024-03-08 | 武汉理工大学 | 故障样本生成方法、装置、计算机介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
| US20200202221A1 (en) * | 2018-12-20 | 2020-06-25 | Shandong University Of Science And Technology | Fault detection method and system based on generative adversarial network and computer program |
| CN113095402A (zh) * | 2021-04-12 | 2021-07-09 | 江南大学 | 一种基于编码输入的生成对抗网络故障检测方法及系统 |
| CN113255078A (zh) * | 2021-05-31 | 2021-08-13 | 南京信息工程大学 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
| CN113538353A (zh) * | 2021-07-05 | 2021-10-22 | 华北电力大学（保定） | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 |
| CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
| CN114611233A (zh) * | 2022-03-08 | 2022-06-10 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
| CN114757286A (zh) * | 2022-04-19 | 2022-07-15 | 中科航迈数控软件(深圳)有限公司 | 一种基于条件对抗生成网络的多类别故障数据生成方法 |
| CN115456082A (zh) * | 2022-09-16 | 2022-12-09 | 沈阳嘉越电力科技有限公司 | 一种应用于风机故障检测的迁移学习框架 |
-
2023
- 2023-01-09 CN CN202310027033.4A patent/CN116049719A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200202221A1 (en) * | 2018-12-20 | 2020-06-25 | Shandong University Of Science And Technology | Fault detection method and system based on generative adversarial network and computer program |
| CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
| CN113095402A (zh) * | 2021-04-12 | 2021-07-09 | 江南大学 | 一种基于编码输入的生成对抗网络故障检测方法及系统 |
| CN113255078A (zh) * | 2021-05-31 | 2021-08-13 | 南京信息工程大学 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
| CN113538353A (zh) * | 2021-07-05 | 2021-10-22 | 华北电力大学（保定） | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 |
| CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
| CN114611233A (zh) * | 2022-03-08 | 2022-06-10 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
| CN114757286A (zh) * | 2022-04-19 | 2022-07-15 | 中科航迈数控软件(深圳)有限公司 | 一种基于条件对抗生成网络的多类别故障数据生成方法 |
| CN115456082A (zh) * | 2022-09-16 | 2022-12-09 | 沈阳嘉越电力科技有限公司 | 一种应用于风机故障检测的迁移学习框架 |
Non-Patent Citations (4)
| Title |
|---|
| GUO, Q., AT EL.: "Intelligent fault diagnosis method based on full 1-D convolutional generative adversarial network", IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, vol. 10, no. 3, 31 December 2019 (2019-12-31), pages 2044 - 2053 * |
| 李宝琴等: "基于改进DCGAN的电力系统暂态稳定增强型自适应评估", 电力系统自动化, 5 August 2021 (2021-08-05) * |
| 马波;蔡伟东;赵大力;: "基于GAN样本生成技术的智能诊断方法", 振动与冲击, no. 18, 28 September 2020 (2020-09-28) * |
| 马裕城等: "用于故障检测和识别的域迁移生成对抗网络", 第33届中国过程控制会议论文集, 29 July 2022 (2022-07-29), pages 1 - 6 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993319A (zh) * | 2023-07-14 | 2023-11-03 | 南京先维信息技术有限公司 | 一种基于物联网的远程设备健康监测方法及装置 |
| CN116993319B (zh) * | 2023-07-14 | 2024-01-26 | 南京先维信息技术有限公司 | 一种基于物联网的远程设备健康监测方法及装置 |
| CN117075582A (zh) * | 2023-09-08 | 2023-11-17 | 兰州理工大学 | 一种基于dsecmr-vae的工业过程广义零样本故障诊断方法 |
| CN117330315A (zh) * | 2023-12-01 | 2024-01-02 | 智能制造龙城实验室 | 一种基于在线迁移学习的旋转机械故障监测方法 |
| CN117330315B (zh) * | 2023-12-01 | 2024-02-23 | 智能制造龙城实验室 | 一种基于在线迁移学习的旋转机械故障监测方法 |
| CN117669388A (zh) * | 2024-01-30 | 2024-03-08 | 武汉理工大学 | 故障样本生成方法、装置、计算机介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116049719A (zh) | 基于迁移式生成模型的故障检测和估计方法、系统及介质 | |
| Mak et al. | Ship as a wave buoy: Estimating relative wave direction from in-service ship motion measurements using machine learning | |
| Fdez-Riverola et al. | A hybrid cbr model for forecasting in complex domains | |
| Chadha et al. | Time series based fault detection in industrial processes using convolutional neural networks | |
| Li et al. | Adaptive selective ensemble-independent component analysis models for process monitoring | |
| Sestelo et al. | FWDselect: An R Package for Variable Selection in Regression Models. | |
| CN115600891A (zh) | 应用于水性丙烯酸树脂生产监测的大数据分析方法及系统 | |
| Jeon et al. | Data gap analysis of ship and maritime data using meta learning | |
| Kurra et al. | Water quality prediction using machine learning | |
| Sai et al. | A WOA-based algorithm for parameter optimization of support vector regression and its application to condition prognostics | |
| Sun et al. | A wireless sensor network node fault diagnosis model based on belief rule base with power set | |
| CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
| CN116701222A (zh) | 基于特征加权迁移学习的跨项目软件缺陷预测方法及系统 | |
| CN116628612A (zh) | 一种无监督异常检测方法、装置、介质及设备 | |
| CN116661410A (zh) | 基于加权有向图的大规模工业过程故障检测及诊断方法 | |
| CN115858388A (zh) | 基于变异模型映射图的测试用例优先级排序方法和装置 | |
| CN114139601A (zh) | 一种对电力巡检场景人工智能算法模型的评估方法及系统 | |
| Souza et al. | Variable selection based on mutual information for soft sensors applications | |
| García et al. | Supervised and unsupervised neural networks: Experimental study for anomaly detection in electrical consumption | |
| Yu et al. | Fault diagnosis of analog circuit based CS_SVM algorithm | |
| Ahn et al. | Fine tuning Pre trained Models for Robustness Under Noisy Labels | |
| Grbovic et al. | A boosting method for process fault detection with detection delay reduction and label denoising | |
| Huang et al. | Uncertainty-estimation with normalized logits for out-of-distribution detection | |
| CN116739100A (zh) | 量子神经网络的漏洞检测方法及自动驾驶漏洞检测方法 | |
| Yu et al. | Long-term operation monitoring strategy for nuclear power plants based on continuous learning |
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 |