[發明專利]基于生成式對抗網絡的空氣處理機組的故障診斷方法

在審

• 申請號: 201910197936.0
• 申請日: 2019-03-15
• 公開（公告）號: CN109813542A
• 公開（公告）日: 2019-05-28
• 發明（設計）人: 嚴珂;鐘超文
• 申請（專利權）人: 中國計量大學
• 主分類號: G01M13/00
• 分類號: G01M13/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于生成式對抗網絡的空氣處理機組的故障診斷方法，包括以下步驟：數據預處理，通過對將缺失和重復的數據刪除，將數據集進行歸一化處理和特征選取，以加快樣本生成模型的收斂速度，減少數據維度；故障樣本生成模型構建，通過采樣到的真實故障樣本訓練故障樣本生成模型，學習真實故障樣本的分布；樣本評估模型構建，提出使用真實故障樣本訓練一個評估模型對生成樣本進行挑選，用于訓練故障診斷模型的生成的故障樣本與真實樣本的分布的接近程度，以評估生成樣本的質量；故障診斷模型構建，通過使用上述生成的樣本訓練故障診斷模型，對現實中空氣處理機組運行時所產生數據進行檢測，診斷設備是否發生故障。

技術領域

本發明涉及故障診斷技術領域，更具體的說，涉及一種基于生成式對抗網絡的空氣處理機組的故障診斷方法。

背景技術

故障檢測和診斷(Fault detection and diagnosis,FDD)技術作為工業上一種重要的技術，在保證工業設備正常、高效的運行上發揮著重要的作用。將機器學習與大數據技術應用于故障檢測和診斷技術，能夠幫助維護工業設備的工作人員更有效的對設備的狀態的監控，對工業設備維護也將變得更加簡單。機器學習的算法主要分為三種分別是：有監督學習算法、半監督學習算法和無監督學習算法。在現實情況中由于現代工業技術的快速發展，許多設備不容易經常發生故障問題。因此，我們往往難以獲取充足的故障數據訓練一個有監督學習模型用于故障檢測和診斷。

生成對抗網絡(Generative Adversarial Networks,GANs)作為2014年剛提出來的無監督學習模型，它在故障檢測和診斷領域有著廣闊的應用前景。作為一種機器學習算法，他具有以下幾個優點：

1、可以通過對少量的故障數據的分布進行學習，從而產生大量的故障樣本。

2、模型只用到了反向傳播，而不需要馬爾科夫鏈。

3、訓練時不需要對隱變量做推斷。

4、可以和深度學習模型很好的結合。

5、比傳統的無監督學習算法效果更好。

GANs能夠通過對少量的故障數據的分布進行學習，從而產生大量的故障樣本的特點非常適合解決目前工業上對大型空調系統的故障進行檢測和診斷時缺乏充足的故障樣本的問題。由于目前GANs技術提出的時間較晚仍處于起步發展階段，它還存在一些不足，比如訓練比較困難，生成樣本多樣性不足，生成的樣本與真實的樣本還是有一些差距。

發明內容

有鑒于此，本發明提出一種構建樣本生成模型，并降低生成樣本與真實樣本之間的差距的基于生成式對抗網絡的空氣處理機組的故障診斷方法，用于解決現有技術存在的故障檢測與診斷過程中故障樣本不足、GANs訓練較困難、生成樣本多樣性不足、生成的樣本與真實的樣本等技術問題。

本發明提供了一種基于生成式對抗網絡的空氣處理機組的故障診斷方法，包括以下步驟：

數據預處理，通過對將缺失和重復的數據刪除，將數據集進行歸一化處理和特征選取，以加快樣本生成模型的收斂速度，減少數據維度；

故障樣本生成模型構建，通過采樣到的真實故障樣本訓練故障樣本生成模型，學習真實故障樣本的分布；

樣本評估模型構建，提出使用真實故障樣本訓練一個評估模型對生成樣本進行挑選，用于訓練故障診斷模型的生成的故障樣本與真實樣本的分布的接近程度，以評估生成樣本的質量；

故障診斷模型構建，通過使用上述生成的樣本訓練故障診斷模型，對現實中空氣處理機組運行時所產生數據進行檢測，診斷設備是否發生故障。

可選的，所述的特征選取是指，使用基于SVM分類器的代價敏感的序列前向特征選擇算法進行特征選取，從一個預定的特征子集開始，直到選出最重要的特征為止。