[發(fā)明專利]一種基于TimeGAN模型的故障分類方法

在審

• 申請?zhí)枺?/td>: 202210890941.1
• 申請日: 2022-07-27
• 公開（公告）號: CN115345222A
• 公開（公告）日: 2022-11-15
• 發(fā)明（設(shè)計）人: 黑新宏;張寬;費蓉;姬文江;邱原;高苗
• 申請（專利權(quán)）人: 西安理工大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06N5/00;G06N20/20
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 王敏強

1.一種基于TimeGAN模型的故障分類方法，其特征在于，具體按照以下步驟實施：

步驟1、特征提取：首先將原始的故障數(shù)據(jù)進(jìn)行基于統(tǒng)計方法的特征提取，即提取統(tǒng)計特征代表原有的數(shù)據(jù)作為特征矢量；

步驟2、TimeGAN模型構(gòu)建：TimeGAN模型由四個網(wǎng)絡(luò)組件構(gòu)成：嵌入網(wǎng)絡(luò)、恢復(fù)網(wǎng)絡(luò)、生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)；

步驟3、TimeGAN模型對抗訓(xùn)練：將步驟1處理的故障數(shù)據(jù)輸入到步驟2構(gòu)建的TimeGAN模型中，由生成器生成的數(shù)據(jù)與原始數(shù)據(jù)同時經(jīng)過判別器網(wǎng)絡(luò)進(jìn)行訓(xùn)練，判別器網(wǎng)絡(luò)的輸出表示輸入數(shù)據(jù)屬于原始數(shù)據(jù)而非生成樣本的概率；同時，會通過計算損失函數(shù)更新TimeGAN各網(wǎng)絡(luò)組件，最終生成高質(zhì)量的故障樣本；

步驟4、將TimeGAN生成故障的特征樣本與原始故障的特征樣本進(jìn)行合并組成新的數(shù)據(jù)集，并劃分訓(xùn)練集和測試集；

步驟5、將訓(xùn)練集輸入到XGBoost模型進(jìn)行迭代訓(xùn)練，估計模型中的參數(shù)，使模型能夠進(jìn)行后續(xù)分類任務(wù)；

步驟6、使用訓(xùn)練好的分類模型在測試集上測試，以評估模型的分類性能。

2.根據(jù)權(quán)利要求1所述的一種基于TimeGAN模型的故障分類方法，其特征在于，所述步驟1中統(tǒng)計特征包括均值、標(biāo)準(zhǔn)差、方差、最小值、最大值、峰峰值、偏度以及峰度，將特征提取后的數(shù)據(jù)特征作為新的數(shù)據(jù)集。

3.根據(jù)權(quán)利要求2所述的一種基于TimeGAN模型的故障分類方法，其特征在于，所述步驟2具體如下：

步驟2.1、構(gòu)建嵌入網(wǎng)絡(luò)，設(shè)H_S，H_X表示靜態(tài)特征空間S和時態(tài)特征空間X對應(yīng)的潛在向量空間，下面的公式(1)，(2)分別是靜態(tài)特征和時態(tài)特征對應(yīng)的嵌入網(wǎng)絡(luò)：

h_s＝e_s(s) (1)

h_t＝e_x(h_s，h_t-1，x_t)) (2)

其中，h_s和h_t表示靜態(tài)特征和時態(tài)特征對應(yīng)的潛在編碼，下標(biāo)t代表時間信息，e_s和e_x表示靜態(tài)特征和時態(tài)特征對應(yīng)的嵌入網(wǎng)絡(luò)，下標(biāo)s和下標(biāo)x表示靜態(tài)特征和時態(tài)特征，原始特征向量通過嵌入網(wǎng)絡(luò)轉(zhuǎn)化為低維的潛在空間表示；

步驟2.2、構(gòu)建恢復(fù)網(wǎng)絡(luò)，下面的公式(3)，(4)分別是靜態(tài)特征和時間特征對應(yīng)的恢復(fù)網(wǎng)絡(luò)：

其中，和表示潛在向量通過恢復(fù)網(wǎng)絡(luò)生成的原始空間的靜態(tài)和時態(tài)特征表示，r_s和r_x表示靜態(tài)特征和時態(tài)特征的恢復(fù)網(wǎng)絡(luò)，h_s和h_t表示靜態(tài)特征和時態(tài)特征對應(yīng)的潛在編碼，嵌入網(wǎng)絡(luò)和恢復(fù)網(wǎng)絡(luò)共同組成自動編碼器，實現(xiàn)數(shù)據(jù)在原始向量空間和潛在向量空間之間的可逆映射；

步驟2.3、構(gòu)建生成器網(wǎng)絡(luò)，設(shè)Z_S，Z_X表示已知分布的向量空間，并從中抽取隨機向量作為輸入，生成到H_S和H_X中，即潛在的向量空間，下面的公式(5)、(6)分別表示靜態(tài)和時間特征對應(yīng)的生成器網(wǎng)絡(luò)，

其中，和分別代表生成器生成的靜態(tài)和時態(tài)特征，g_s和g_x分別代表靜態(tài)特征和時態(tài)特征對應(yīng)的生成器網(wǎng)絡(luò)，z_s代表隨機向量的靜態(tài)特征，代表前一次的時態(tài)特征，z_t代表隨機向量的時態(tài)特征；

步驟2.4、構(gòu)建判別器網(wǎng)絡(luò)，具體公式如下：

其中和分別表示靜態(tài)特征和時態(tài)特征對應(yīng)判別器網(wǎng)絡(luò)的判別結(jié)果，d_s和d_x分別表示靜態(tài)特征和時態(tài)特征對應(yīng)的判別器網(wǎng)絡(luò)，表示靜態(tài)特征的潛在編碼，分別表示時態(tài)特征對應(yīng)的正向和反向隱藏狀態(tài)序列；

步驟2.5、損失函數(shù)的定義，通過損失函數(shù)的迭代計算，優(yōu)化TimeGAN模型中的網(wǎng)絡(luò)組件。