[发明专利]基于深度卷积生成式对抗网络的电机故障数据的增强方法在审
申请号: | 201911186594.9 | 申请日: | 2019-11-28 |
公开(公告)号: | CN110955651A | 公开(公告)日: | 2020-04-03 |
发明(设计)人: | 许小伟;乔雪;韦道明 | 申请(专利权)人: | 武汉科技大学 |
主分类号: | G06F16/215 | 分类号: | G06F16/215;G06K9/62 |
代理公司: | 北京瑞盛铭杰知识产权代理事务所(普通合伙) 11617 | 代理人: | 郑海松 |
地址: | 430000 *** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 卷积 生成 对抗 网络 电机 故障 数据 增强 方法 | ||
1.基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:其步骤如下:
步骤一:首先按照故障的类型,把故障数据存放于不同的文件夹,分别为损坏型故障、退化型故障和失调型故障,并将缺失和重复的数据整合删除,加快数据收敛速度;
步骤二:构建生成式对抗网络,包括生成模型和判别模型两个模块,分别生成数据和判别数据,两个模块之间相互博弈学习与故障数据库的数据进行相互交换对比;
步骤三:将随机噪声输入由深度转置卷积网络构成的生成模型中,训练生成电机故障数据,即为上述所述的生成数据,生成模型设定为待优化参数;
步骤四:将真实的电机故障样本数据进行挑选分类之后,和生成数据一起输入到由深度神经网络构成的判别模型中,使用真伪二分类器鉴别区分真实故障数据和生成故障数据的差异,输出值为二进制数0或者1,若输出为0,则数据为假数据,若输出为1,则数据为真数据,使用大量数据训练生成模型和判别模型,使得训练后的判别模型输出值更接近于1;
步骤五:使用大量数据训练深度卷积生成式对抗网络,生成模型与判别模型交替优化学习,最终达到零和博弈(纳什均衡);
步骤六:用电机故障类型数据样本的数据和生成的故障数据融合,生成扩大内容的电机故障数据库。
2.根据权利要求1所述的基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:所述数据{x(t),z(t)y(t)}t=1T,对于第t个数据对(x(t),z(t)),所对应的输出y(t)为[1,0],表示将电机故障类型数据样本判断为真的概率设置为1,将生成数据判断为真的概率设置为0;将电机故障类型数据样本判断为真的概率设置为0,将生成数据判断为真的概率设置为1。
3.根据权利要求1所述的基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:所述生成模型中,其首先生成数据,进一步促使生成模型待优化参数,需要对各种参数进行判别特征学习和分类器设计阶段,从而生成各模型下的映射参数。
4.根据权利要求1所述的基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:所述生成模型的第一层是6144大小的全连接层,后续四层是三维的转置卷积层,其中卷积核大小为2×5×5(时间×宽×高),所述生成模型中使用转置卷积层操作,视为传统卷积操作的一种“逆向”传递过程。
5.根据权利要求1所述的基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:所述判别模型使用卷积神经网络,所述判别模型的前四层是用于提取数据的时空特征的三维卷积层,随后是全连接层,所述卷积层的卷积核大小为2×5×5(时间×宽×高)。
6.根据权利要求1所述的基于深度卷积生成式对抗网络的电机故障数据的增强方法,其特征在于:所述步骤五训练内容为电机真实故障数据和生成模型生成的故障数据,若网络判别输入数据为真实故障数据的概率大于0.5,则这组数据有效,所述将x判断为电机故障类型数据样本的概率,在固定生成模型时所对应判别器的损失函数为
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉科技大学,未经武汉科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911186594.9/1.html,转载请声明来源钻瓜专利网。