[发明专利]基于生成式对抗网络的空气处理机组的故障诊断方法

说明书

本发明公开了一种基于生成式对抗网络的空气处理机组的故障诊断方法，包括以下步骤：数据预处理，通过对将缺失和重复的数据删除，将数据集进行归一化处理和特征选取，以加快样本生成模型的收敛速度，减少数据维度；故障样本生成模型构建，通过采样到的真实故障样本训练故障样本生成模型，学习真实故障样本的分布；样本评估模型构建，提出使用真实故障样本训练一个评估模型对生成样本进行挑选，用于训练故障诊断模型的生成的故障样本与真实样本的分布的接近程度，以评估生成样本的质量；故障诊断模型构建，通过使用上述生成的样本训练故障诊断模型，对现实中空气处理机组运行时所产生数据进行检测，诊断设备是否发生故障。

技术领域

本发明涉及故障诊断技术领域，更具体的说，涉及一种基于生成式对抗网络的空气处理机组的故障诊断方法。

背景技术

故障检测和诊断(Fault detection and diagnosis,FDD)技术作为工业上一种重要的技术，在保证工业设备正常、高效的运行上发挥着重要的作用。将机器学习与大数据技术应用于故障检测和诊断技术，能够帮助维护工业设备的工作人员更有效的对设备的状态的监控，对工业设备维护也将变得更加简单。机器学习的算法主要分为三种分别是：有监督学习算法、半监督学习算法和无监督学习算法。在现实情况中由于现代工业技术的快速发展，许多设备不容易经常发生故障问题。因此，我们往往难以获取充足的故障数据训练一个有监督学习模型用于故障检测和诊断。

生成对抗网络(Generative Adversarial Networks,GANs)作为2014年刚提出来的无监督学习模型，它在故障检测和诊断领域有着广阔的应用前景。作为一种机器学习算法，他具有以下几个优点：

1、可以通过对少量的故障数据的分布进行学习，从而产生大量的故障样本。

2、模型只用到了反向传播，而不需要马尔科夫链。

3、训练时不需要对隐变量做推断。

4、可以和深度学习模型很好的结合。

5、比传统的无监督学习算法效果更好。

GANs能够通过对少量的故障数据的分布进行学习，从而产生大量的故障样本的特点非常适合解决目前工业上对大型空调系统的故障进行检测和诊断时缺乏充足的故障样本的问题。由于目前GANs技术提出的时间较晚仍处于起步发展阶段，它还存在一些不足，比如训练比较困难，生成样本多样性不足，生成的样本与真实的样本还是有一些差距。

发明内容

有鉴于此，本发明提出一种构建样本生成模型，并降低生成样本与真实样本之间的差距的基于生成式对抗网络的空气处理机组的故障诊断方法，用于解决现有技术存在的故障检测与诊断过程中故障样本不足、GANs训练较困难、生成样本多样性不足、生成的样本与真实的样本等技术问题。

本发明提供了一种基于生成式对抗网络的空气处理机组的故障诊断方法，包括以下步骤：

数据预处理，通过对将缺失和重复的数据删除，将数据集进行归一化处理和特征选取，以加快样本生成模型的收敛速度，减少数据维度；

故障样本生成模型构建，通过采样到的真实故障样本训练故障样本生成模型，学习真实故障样本的分布；

样本评估模型构建，提出使用真实故障样本训练一个评估模型对生成样本进行挑选，用于训练故障诊断模型的生成的故障样本与真实样本的分布的接近程度，以评估生成样本的质量；

故障诊断模型构建，通过使用上述生成的样本训练故障诊断模型，对现实中空气处理机组运行时所产生数据进行检测，诊断设备是否发生故障。

可选的，所述的特征选取是指，使用基于SVM分类器的代价敏感的序列前向特征选择算法进行特征选取，从一个预定的特征子集开始，直到选出最重要的特征为止。