[发明专利]一种工业故障诊断非平衡时序数据扩充方法

说明书

本发明公开了一种工业故障诊断非平衡时序数据扩充方法，步骤一：准备训练数据集；步骤二：构建GRU‑BEGAN的网络结构；步骤三：训练构建的GRU‑BEGAN网络模型；步骤四：根据训练好的GRU‑BEGAN生成对抗网络模型去生成小样本类型的人工数据，训练完成后的模型输入简单随机变量z|t，生成符合时间t的时序数据，将生成的数据集扩充至原始数据的小样本类型中，根据扩充后的数据集建立1D/2D‑CNN故障诊断模型。本发明在模型结构和损失函数上的改进使得模型收敛更快、数据质量更高，利用端到端的GRU‑BEGAN模型去训练故障数据中小样本时序数据集，得到生成的人工数据去增强原始数据集，提高故障诊断模型精确度。

技术领域

本发明涉及一种工业故障诊断非平衡时序数据扩充方法，特别是一种基于生成对抗网络的工业故障诊断非平衡时序数据扩充方法，尤其针对故障诊断中某些故障类别的时序数据不均衡问题，属于工业故障诊断和分类领域。

背景技术

工业故障的诊断通常需要监测各类仪表器械来判断各类故障类型，但是由于故障工况的复杂以及监测参数众多，导致不能得到及时有效的处理，所以通过人为监测各类仪表参数来诊断故障是一个非常困难的工作，因此建立一种及时有效的故障诊断模型，可以方便有效的监测各种工业故障问题，保证工业系统的正常运行。但由于工业系统的历史故障数据难以收集，导致故障类别数据分布并不平衡，当数据不平衡时训练的模型更加偏向样本数量多的一类，导致模型的鲁棒性较差，所以如何解决数据类别不均衡情况下的故障诊断是一个急需解决的问题。

目前解决数据不均衡问题主要从数据层面和算法层面考虑，从数据层面去扩充训练集，是一种直接有效的方法，而利用生成对抗网络去生成数据是目前主流的方法之一。生成对抗网络主要由生成器和判别器组成，通过学习真实数据的分布，从而生成类似于真实数据的人工数据，以达到扩充训练数据的目的。在工业故障中，多数的故障数据是时序数据，而现有的生成对抗网络主要是生成静态数据，例如图片数据，网络模型中缺乏对时序信息的考虑，如果直接应用现有的生成对抗网络模型去生成时序数据，会导致生成的时序数据连续性表现较差，数据质量低，网络训练不稳定、难以收敛。因此，如何解决类别非平衡下多元时序数据的故障诊断具有很高的应用价值。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种针对非平衡多元时序数据的工业故障诊断非平衡时序数据扩充方法，针对其中小样本类别的时序故障数据，通过改进的生成对抗网络模型训练，得到可以生成原小样本数据分布的生成模型，并生成需要数量的人工样本，以用来提高故障分类的精度。

为解决上述技术问题，本发明的一种工业故障诊断非平衡时序数据扩充方法，包括以下步骤：

步骤1：准备训练数据集：将工业系统历史运行过程中的离线数据作为故障诊断的原始数据X，X中包含有n种类型的故障数据，其中存在m种大样本数据集分别为α₁,α₂…α_m，n-m种小样本数数据集β₁,β₂…β_n-m，并且小样本数据集和大样本数据中最大数量的不平衡比例IR小于给定值，然后以小样本类型故障数据集作为训练集，对数据进行归一化以及标准化预处理，得到所需训练数据集；

步骤2：构建改进的边界平衡生成对抗网络模型GRU-BEGAN，包括判别器D和生成器G，生成器G由门控循环神经网络GRU模型构成，判别器D是一个自编码器模型，门控循环神经网络通过使用自带反馈的神经元使得模型的输出和当前时刻相关同时也和上一时刻的输出相关，门控循环神经网络单元包含更新门和重置门，其中z_t代表更新门、r_t代表重置门，更新门控制历史隐含状态h_t-1在当前隐含状态h_t和当前候选状态之间的分配，重置门决定当前候选状态对历史隐含状态h_t-1的依赖程度，门控循环神经网络的单元更新公式具体为: