[发明专利]一种基于改进TimeGAN模型的小样本故障诊断方法

说明书

本发明公开了一种基于改进TimeGAN模型的小样本故障诊断方法，包括：采集电梯运行数据，包括正常样本和故障样本；建立改进TimeGAN模型；将故障样本输入改进TimeGAN模型生成故障数据；将电梯运行数据和生成的故障数据合并为样本集，并利用小波包分解提取样本集的时频特征；将提取的时频特征划分为训练集和测试集，并将训练集输入CNN模型中进行训练；将测试集输入训练好的CNN模型，获得故障诊断结果并对故障诊断结果进行验证。该方法通过生成具备时序特征的故障样本，降低原始数据分布不平衡性，并充分提取样本的时频特征，获得高效准确的故障诊断结果，从而实现智能化设备的安全维护。

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于改进TimeGAN模型的小样本故障诊断方法。

背景技术

近年来，随着经济飞速发展，居民的日常用电设备使用量也大幅上升，如电梯。故障存在于人们日常使用的每一个设备中，很多设备结构复杂难以排查故障且潜在威胁大，一旦发生故障难免造成巨大损失。此外，故障样本稀缺、振动信号复杂等问题也降低了故障诊断的精度。因此，在电梯日常使用环节对潜在故障进行诊断和预测，及时预防故障的发生，对维护居民的生命和财产安全具有重要意义。

目前，随着大数据和人工智能技术的发展，故障诊断也得到了广泛研究。但人工智能算法模型是由数据驱动的，因此结合相关算法实现故障诊断和预测往往需要海量的数据，尤其是故障数据。而电梯设备的特殊性使得很难采集到故障数据，也就无法保证有足够的训练样本支撑模型训练，所以样本生成和扩充的相关研究愈发广泛。生成对抗网络(Generative adversarial networks，GAN)、最小二乘对抗网络(Least SquareGenerative adversarial networks，LSGAN)、深度卷积生成对抗网络(DeepConvolutional Generative adversarial networks，DCGAN)等生成模型可以生成所需图片，因此被广泛应用于图片扩充和还原中。由于故障诊断中的样本通常为一维数据，相关研究先将样本转换为二维图片，再利用生成模型扩充图片，最后输入到相关算法中进行训练得到诊断结果。这些方法解决了训练样本不足的问题，但是它们没有充分考虑振动信号之间特有的时间相关性，传统生成模型无法确保网络能动态有效地捕获信号中的逐步依赖关系，也没有充分利用振动信号的时域、频域和空间域特征。因此，亟需开发新的电梯故障诊断方法，实现高效准确故障诊断及智能化的设备安全维护。

发明内容

本发明的目的在于针对上述问题，提出一种基于改进TimeGAN模型的小样本故障诊断方法，该方法通过生成具备时序特征的故障样本，降低原始数据分布的不平衡性，并充分提取样本的时频特征，获得高效准确的故障诊断结果，从而实现智能化设备的安全维护。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种基于改进TimeGAN模型的小样本故障诊断方法，包括如下步骤：

S1、采集电梯运行数据，电梯运行数据包括正常样本和故障样本；

S2、建立改进TimeGAN模型，改进TimeGAN模型包括嵌入网络、恢复网络、序列生成器和序列判别器，其中：

嵌入网络利用嵌入函数将静态特征和时态特征转化为潜在表征，嵌入函数基于循环网络实现；

恢复网络利用恢复函数将潜在表征恢复为原来的静态特征和时态特征，恢复函数基于前馈网络实现；

序列生成器从电梯运行数据中采样提取静态随机向量和时态随机向量，并利用生成函数将静态随机向量和时态随机向量转换为合成潜在编码，生成函数基于循环网络实现；

序列判别器利用判别函数接收合成潜在编码，返回分类结果，判别函数基于带有前馈输出层的双向循环网络实现；