[发明专利]基于CRWGAN-div的设备故障样本增强方法

说明书

本发明公开了一种基于CRWGAN‑div的设备故障样本增强方法，本发明结合WGAN‑div自身的强大数据生成能力，特别是对于噪声较多的设备故障数据，重构网络的引入能更好地指导生成网络的训练，提高了其训练稳定性，通过对生成网络输入的重构，加强了生成网络从潜在向量空间到样本空间的映射拟合能力，提高了生成样本的质量，与传统重叠采样方法相比，生成样本的多样性和质量大大提高。与现有的基于GAN的样本增强方法相比，CRWGAN‑div网络通过梯度惩罚和重构误差回传有效地解决了GAN训练不稳定、梯度消失、模式崩溃的问题。

技术领域

本发明涉及一种设备故障样本增强方法，具体涉及基于CRWGAN-div的设备故障样本增强方法。

背景技术

随着智能工厂时代的到来，对重要机械设备进行智能故障诊断成为了一个关键的挑战，通过获取设备传感器数据来诊断设备运行是否正常是当前研究的主要热点。但在工厂实际生产应用中，由于设备大部分时间工作在正常状态，设备故障样本往往难于采集，在这种情况下采集的数据集训练出来的神经网络模型诊断效果较差，鲁棒性不强。如何对设备故障样本进行有效增强，以扩充已有数据集，并通过增强数据集训练出高精度的设备故障诊断模型，对设备智能故障诊断、减少设备维护成本具有重大的应用价值。

传统的样本增强方法有变换法，重叠采样法等。变换法是指通过翻转、缩放、平移等方式进行样本增强，该方法在图像领域用的较多，不适用于设备故障诊断领域。重叠采样是指从原始信号采集训练样本时，允许样本间有信号重叠，这种采样方法只是形式上的样本增强，且缺乏理论依据，用重叠采样法扩充设备故障样本容易引起诊断模型过拟合。

针对传统样本增强方法的缺点，目前用的最多且性能最好的是基于GAN的样本增强方法。基于GAN的样本增强方法是指通过生成对抗网络进行样本增强，该方法基于二人零和博弈思想交叉训练生成模型和判别模型，然后通过训练好的生成模型进行样本增强。但是GAN网络难以训练，且存在模式崩溃和梯度消散等问题。使用GAN网络进行设备故障样本增强时，这些问题变得愈发严重，而且生成的样本不一定是合格的样本。

综上所述，寻找一种有效的设备故障样本增强新方法，以替代现有的样本增强方法，成为了目前亟需解决的问题。

发明内容

为解决上述技术问题，本发明提出一种基于CRWGAN-div的设备故障样本增强方法，显著提高了生成对抗网络训练稳定性和生成样本的有效率，实现对设备故障样本的有效增强。

本发明的技术方案包括如下步骤：

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全称为Wasserstein Divergence for Conditional RestructuredGenerative Adversarial Network，即基于条件和重构的WGAN-div；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，神经元个数依次为512、256、128、1，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，神经元个数依次为128、256、512、1024、2048，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，神经元个数依次为512、256、110，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：