[發明專利]基于對抗學習策略的機械裝備運行狀態異常檢測系統和方法

有效

• 申請號: 202010923030.5
• 申請日: 2020-09-04
• 公開（公告）號: CN112179691B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 溫廣瑞;歐雪蓮;黃鑫;張平;雷子豪;蘇宇;張志芬
• 申請（專利權）人: 西安交通大學
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06K9/62;G06N3/08;G06Q10/04
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 閔岳峰

1.基于對抗學習策略的機械裝備運行狀態異常檢測方法，其特征在于，選擇并采集機械裝備健康狀態下的加速度時間序列樣本，以對抗學習策略訓練網絡模型學習機械裝備健康狀態下加速度時間序列樣本的樣本流行，再采集機械裝備實時監測下的加速度時間序列樣本并通過訓練好的網絡模型獲得實時監測下的樣本特征量，降維后獲得對應異常分數值，與設定的閾值進行比較，預判是否出現異常；

所述實時監測下的樣本特征量為訓練好的網絡模型提取到的實時樣本空間匹配特征和潛在樣本空間匹配特征組合成的多維特征矩陣；

所述對機械裝備健康狀態下的加速度時間序列樣本進行計算為訓練過程，對機械裝備實時監測下的加速度時間序列樣本進行計算為預測過程；

訓練過程：通過選取采集到的機械裝備健康狀態下的加速度時間序列樣本進行包絡頻譜并歸一化到[0,1]之間，歸一化之后利用設定好的滑動時間窗對時間序列樣本進行重新劃分；輸入重新劃分的時間序列樣本采用對抗學習策略對網絡模型進行訓練，學習機械裝備健康狀態下加速度時間序列樣本的樣本流行；

預測過程：將實時監測下的加速度時間序列樣本進行同樣的包絡頻譜以及歸一化處理，對處理后的數據以相同設置的滑動時間窗重新獲取時間序列樣本，并將其依次輸入到訓練好的網絡模型當中，獲得實時監測下的加速度時間序列實時樣本空間匹配特征和潛在樣本空間匹配特征組合成的多維特征矩陣；利用T-SNE方法對多維特征矩陣降維，構建對應異常分數值，與設定的閾值進行比較判定。

2.根據權利要求1所述的基于對抗學習策略的機械裝備運行狀態異常檢測方法，其特征在于，所述滑動時間窗設置，具體為：利用滑動時間窗，窗口長度為H，且H≥2，按步長為1沿著加速度時間序列樣本的時間維度，重新劃分一系列時間序列樣本作為網絡的輸入。

3.根據權利要求1所述的基于對抗學習策略的機械裝備運行狀態異常檢測方法，其特征在于，所述對抗學習策略具體為：

401)將所述重新劃分的時間序列樣本中的正常樣本X_train作為訓練集，送入基于LSTM-VAE的生成器網絡中，用以優化網絡參數；其中，編碼器部分計算輸入的正常樣本的均值μ_x、方差σ_x，用以計算正常樣本的潛在特征樣本Z_train＝μ_x+ε×σ_x，ε～N(0，I)；解碼器部分通過對Z_train解碼，獲得重構的正常數據樣本

402)為了檢驗生成器網絡對樣本潛在空間分布學習的效果，所述生成器網絡額外設置一個樣本潛在特征重構網絡，該網絡的結構和生成器網絡中的編碼器部分結構一致，用以獲得正常樣本的重構潛在特征樣本

403)所述網絡模型設置了兩個判別器網絡，分別用以學習正常數據在實時樣本空間以及潛在樣本空間的匹配特征；具體步驟為：分別將X_train、送入判別器網絡1，將Z_train、送入判別器網絡2中，兩個判別器網絡將原始樣本判別為真，將重構樣本判別為假，與此同時，所述生成器網絡生成的樣本要盡量接近于真實樣本來以假亂真，二者在對抗訓練中逐漸優化網絡模型參數，以更好地學習到正常樣本的樣本流行；

404)所述生成器網絡在訓練過程中的損失函數綜合考慮了編碼器網絡、潛在特征重構網絡以及兩個判別器網絡四者的損失，根據對每個部分的重視程度賦予各部分不同的權重；

其中編碼器網絡的對抗性損失：L_con＝E_x～px||x-G(x)||₁；

潛在特征重構網絡的編碼器損失：L_enc＝E_x～px||G_E(x)-E(G(x))||₂；

判別器網絡1的特征匹配損失：L_adv1＝E_x～px||f(x)-E_x～pxf(G(x))||₂；

判別器網絡2的特征匹配損失：L_adv2＝E_x～px||f(G_E(x))-E_x～pxf(E(G(x)))||₂；

最終生成器網絡的損失函數：L＝ω_conL_con+ω_encL_enc+ω_adv(L_adv1+L_adv2)；

式中，x表示網絡輸入數據，px表示網絡輸入數據的分布，G表示生成器網絡，G_E表示編碼器網絡，E表示樣本潛在特征重構網絡，f(·)為從輸入數據分布px提取的給定輸入x輸出的兩個判別器中間層的函數，ω_con、ω_enc、ω_adv是調整各個損失對整體目標函數影響的權重參數。

4.根據權利要求1所述的基于對抗學習策略的機械裝備運行狀態異常檢測方法，其特征在于，所述設定的閾值具體為：將實時監測下加速度時間序列樣本異常分數值數列中已知的正常樣本的異常分數值數列的95％分位數F_normal作為基準值，以F_normal+c作為閾值，其中c為靈敏度控制值。