[發(fā)明專利]一種基于TimeGAN模型的故障分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210890941.1
• 申請(qǐng)日: 2022-07-27
• 公開（公告）號(hào): CN115345222A
• 公開（公告）日: 2022-11-15
• 發(fā)明（設(shè)計(jì)）人: 黑新宏;張寬;費(fèi)蓉;姬文江;邱原;高苗
• 申請(qǐng)（專利權(quán)）人: 西安理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): 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(qiáng)

本發(fā)明公開了一種基于TimeGAN模型的故障分類方法，首先將原始的故障數(shù)據(jù)進(jìn)行基于統(tǒng)計(jì)方法的特征提取，即提取統(tǒng)計(jì)特征代表原有的數(shù)據(jù)作為特征矢量；TimeGAN模型構(gòu)建，然后對(duì)TimeGAN模型對(duì)抗訓(xùn)練，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(cè)試集；將訓(xùn)練集輸入到XGBoost模型進(jìn)行迭代訓(xùn)練，估計(jì)模型中的參數(shù)，使模型能夠進(jìn)行后續(xù)分類任務(wù)；最后使用訓(xùn)練好的分類模型在測(cè)試集上測(cè)試，以評(píng)估模型的分類性能。本發(fā)明提高故障分類的效果，為故障診斷提供可靠保障。

技術(shù)領(lǐng)域

本發(fā)明屬于故障診斷技術(shù)領(lǐng)域，具體涉及一種基于TimeGAN模型的故障分類方法。

背景技術(shù)

故障診斷在機(jī)器健康管理中起著至關(guān)重要的作用，隨著人工智能的興起與發(fā)展，故障診斷技術(shù)也由原始的人工主觀判斷向智能化、高效化的方向發(fā)展，越來(lái)越多的人工智能方法開始應(yīng)用到故障診斷技術(shù)中，也有效提高了故障診斷的正確性。近年來(lái)，深度自動(dòng)編碼器(DAE)、深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)等深度神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用于智能診斷模型，減少了對(duì)人工經(jīng)驗(yàn)和專家知識(shí)的依賴，極大地促進(jìn)了智能故障診斷技術(shù)的發(fā)展。小樣本及不平衡數(shù)據(jù)下的智能故障診斷技術(shù)是指利用少量的故障數(shù)據(jù)來(lái)進(jìn)行故障診斷，然而，當(dāng)遇到不平衡數(shù)據(jù)時(shí)，以總體分類準(zhǔn)確率為學(xué)習(xí)目標(biāo)的傳統(tǒng)分類算法會(huì)過(guò)于關(guān)注多數(shù)類，從而使得少數(shù)類樣本的分類性能下降。一般來(lái)說(shuō)，在機(jī)械系統(tǒng)的長(zhǎng)退化過(guò)程中，實(shí)際工程應(yīng)用很少發(fā)生故障，加上相關(guān)信息記錄不完善，導(dǎo)致故障樣本的數(shù)量十分匱乏，因此，故障狀態(tài)和正常狀態(tài)的樣本比例不平衡。在機(jī)械故障診斷領(lǐng)域，網(wǎng)絡(luò)訓(xùn)練過(guò)程中缺乏故障數(shù)據(jù)一直是一個(gè)普遍存在的問題，稱為小樣本問題。采用機(jī)器學(xué)習(xí)算法對(duì)此類不平衡數(shù)據(jù)集進(jìn)行分類過(guò)程時(shí)會(huì)出現(xiàn)訓(xùn)練模型會(huì)偏向于多數(shù)類、對(duì)少數(shù)類樣本的診斷性能不高、以及對(duì)少量樣本的故障類別出現(xiàn)較高的誤診率的問題。目前，國(guó)內(nèi)外基于神經(jīng)網(wǎng)絡(luò)、貝葉斯學(xué)習(xí)法、支持向量機(jī)等機(jī)器學(xué)習(xí)算法在故障診斷取得了較好的應(yīng)用成效。在列車的運(yùn)行過(guò)程中，故障信號(hào)的漏判造成的后果十分嚴(yán)重遠(yuǎn)遠(yuǎn)大于正常設(shè)備的誤判。因此，在小樣本情況下的故障診斷對(duì)于智能故障診斷的應(yīng)用具有重要意義。

目前，對(duì)于樣本不平衡的解決方法主要有重采樣技術(shù)、數(shù)據(jù)合成、改變樣本權(quán)重等。傳統(tǒng)的隨機(jī)過(guò)采樣算法通過(guò)簡(jiǎn)單復(fù)制少數(shù)類樣本來(lái)降低訓(xùn)練集的非均衡性，但可能導(dǎo)致模型的過(guò)擬合，即使得模型學(xué)習(xí)到的信息過(guò)于特別不夠泛化。為了解決此問題，出現(xiàn)了經(jīng)典的合成少數(shù)類過(guò)采樣技術(shù)(synthetic minority oversampling technique,SMOTE),其基本思想是對(duì)少數(shù)類樣本進(jìn)行分析并根據(jù)少數(shù)類樣本人工合成新樣本添加到數(shù)據(jù)集中，可以在一定程度上避免隨機(jī)過(guò)采樣中的過(guò)擬合問題。上述過(guò)采樣算法主要是基于少數(shù)類的部分子集合成人工樣本，并未考慮數(shù)據(jù)的整體分布規(guī)律，對(duì)于模型分類的性能提升較為有限。因此基于深度學(xué)習(xí)的數(shù)據(jù)增強(qiáng)方法成為一大批學(xué)者研究的熱點(diǎn)。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于TimeGAN模型的故障分類方法，提高故障分類的效果，為故障診斷提供可靠保障。

本發(fā)明所采用的技術(shù)方案是，一種基于TimeGAN模型的故障分類方法，具體按照以下步驟實(shí)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(jì)方法的特征提取，即提取統(tǒng)計(jì)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(gè)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(duì)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(shí)經(jīng)過(guò)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(shí)，會(huì)通過(guò)計(jì)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(cè)試集；