[发明专利]基于CRWGAN-div的设备故障样本增强方法

权利要求书

1.基于CRWGAN-div的设备故障样本增强方法，其特征在于，该方法具体包括以下步骤：

1)准备原始数据，并将原始数据集划分为原始训练集X_{s_train}和测试集X_test；

2)构建CRWGAN-div模型，并利用原始训练集X_{s_train}训练CRWGAN-div模型；

CRWGAN-div神经网络具体分为生成网络G，判别网络D，重构网络R；在判别网络D中，设计有四层全连接层，除最后一层全连接层外，每一层全连接层后均接有PRelu非线性激活层；在生成网络G中，设计有五层全连接层，除最后一层全连接层外，每一层全连接层后均接有BN归一化层和LeakyRelu非线性激活层，最后一层激活函数选用Tanh函数；在重构网络R中，设计有三层全连接层，除最后一层全连接层外，每一层全连接层后均接有BN归一化层和LeakyRelu非线性激活层；

CRWGAN-div模型具体训练步骤如下：

1)首先固定生成网络G和重构网络R的参数，训练判别网络D，将原始训练集的样本和生成网络G生成的样本分别与真实样本标签拼接作为判别网络D的输入，判别网络D的输出为输入样本来自原始训练集的可能性评价分数，判别网络D的输出分数越高，代表输入样本来自原始训练集的可能性越高；判别网络D的损失函数计算方法如下：

其中，x_s为原始数据集真实样本，x_g为生成网络G生成的样本，y_s为真实样本的标签，；x_s|y_s表示将y_s作为条件与x_s拼接在一起，x_g|y_s同理；k和p为W散度参数，需满足k＞0、p＞1且p∈N⁺，表示期望；式(1)中，第三项为梯度惩罚项；

2)在训练一次判别网络D后，固定判别网络D和生成网络G的参数，进行重构网络R的训练；重构网络的输入为生成网络生成的样本，重构网络重构出生成网络的输入；重构网络拟合的非线性函数相当于从潜在向量空间到设备故障样本空间的逆映射，该网络的输出与生成网络的输入误差称为重构误差，重构网络R的损失函数采用smooth_L1函数，计算方法如下：

式(2)中，x_g为生成网络G生成的样本，y_s为真实样本的标签，z表示随机生成噪声，z|y_s表示将y_s作为条件与z拼接在一起；其中smooth_L1函数公式如下：

3)为了提高CRWGAN-div模型训练的基本稳定性，在训练五次判别网络和重构网络后，再进行生成网络的一次训练；生成网络G损失函数计算方法如下：

式(4)中，λ是重构误差惩罚因子，需满足λ＞0；

判别网络、重构网络和生成网络均采用Adam算法更新其参数，梯度下降参数更新公式如下：

式中，θ_D、θ_R、θ_G分别为判别网络、重构网络和生成网络的参数，α、β、γ表示其学习率；通过三个网络的交替训练，判别网络、重构网络和生成网络将趋于最优解的附近；整体最优目标函数如下：

3)用训练后的CRWGAN-div模型进行样本增强，生成新训练集X_{g_train}；

4)将原始训练集X_{s_train}与生成训练集X_{g_train}合并成增强训练集X_{e_train}；

5)用原始训练集X_{s_train}和增强训练集X_{e_train}训练故障分类器，并进行对比。