[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

说明书

本发明公开了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，包括电机故障类型数据样本和随机噪声，随机噪声能够整合为生成模型，根据判别模型，来对生成数据和电机故障类型数据进行分类整合，从而达到扩张电机故障类型数据的效果。该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，它根据电机运行过程产生的各种信息，建立学习模型，通过不断学习和训练，预测电机运行是正常还是发生了异常，识别电机故障类型，还能实现电机在带负荷运行时，或不拆卸情况下，通过对其状态参数的检测和分析，判定是否存在故障及故障的位置的原因，并对电机未来的状态进行预测。

技术领域

本发明涉及故障诊断和深度学习技术领域，具体为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。

背景技术

基于深度学习的故障诊断技术，是近年来兴起的一门包含很多种新科技内容的综合技术。它根据电机运行过程产生的各种信息，建立学习模型，通过不断学习和训练，预测电机运行是正常还是发生了异常，识别电机故障类型。它能实现电机在带负荷运行时，或不拆卸情况下，通过对其状态参数的检测和分析，判定是否存在故障及故障的位置的原因，并对电机未来的状态进行预测。

随着现代科学技术的进步，生产系统的发展和设备制造水平的提高，生产系统所采用的电机数量不断增加，单机容量不断提高。电机的正常工作对保障生产制造过程的安全，高效，敏捷，优质和低耗运行的意义非常重大。电机故障不仅会损坏电机本身，还会影响整个系统的正常工作，甚至危及人身安全，造成巨大的经济损失，现有的电机故障不能够提前发现和进行预防，容易突发事故造成停产损失，提高了对人员和设备安全的威胁，不能够为实现状态检修创造条件。

发明内容

本发明的目的在于提供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，以解决上述背景技术中提出现有的电机故障不能够提前发现和进行预防，容易突发事故造成停产损失，提高了对人员和设备安全的威胁，不能够为实现状态检修创造条件的问题。

为实现上述目的，本发明提供如下技术方案：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。

进一步的，所述数据{x^(t),z^(t)y^(t)}_t＝1^T，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；