[发明专利]生成指定故障趋势数据的方法和装置

权利要求书

1.一种生成指定故障趋势数据的方法，其特征在于，包括：

确定随机噪声和指定故障趋势；其中，所述指定故障趋势为0～1中的任一数值；

将所述随机噪声和所述指定故障趋势输入预先训练好的生成模型中，得到与所述指定故障趋势相匹配的数据；其中，所述生成模型是基于样本集对预先构建的条件生成对抗网络模型进行训练得到的，所述样本集是通过对真实数据集进行近邻估计得到的，所述样本集包括若干个样本对，每个所述样本对均包括一个样本数据和用于表征该样本数据的故障趋势的样本标签，所述真实数据集中的每一个真实数据均对应一个用于表征该真实数据的故障趋势的故障标签。

2.根据权利要求1所述的方法，其特征在于，所述条件生成对抗网络模型包括所述生成模型和判别模型；其中，

所述生成模型包括多个全连接层和多个一维反卷积层，所述生成模型以随机噪声和故障趋势为输入，输出为伪数据；

所述判别模型包括多个一维卷积层和至少一个全连接层，所述判别模型以所述样本数据或所述伪数据为输入，输出为置信度，所述置信度用于表征输入数据的真实性以及输入所述生成模型的故障趋势与所述样本数据对应的样本标签的匹配性。

3.根据权利要求2所述的方法，其特征在于，基于样本集对预先构建的条件生成对抗网络模型进行训练，得到训练好的生成模型的方法为：

确定所述样本标签的故障趋势分布；

确定所述样本数据的条件分布；

基于所述故障趋势分布和所述条件分布，确定所述样本数据和所述样本标签联合概率分布的经验估计；

基于所述经验估计，分别确定所述生成模型和所述判别模型的损失函数；

基于所述损失函数对所述生成模型和所述判别模型进行交替训练，得到训练好的生成模型。

4.根据权利要求3所述的方法，其特征在于，所述近邻估计为截断式近邻估计，对真实数据集进行近邻估计，得到样本集的方法为：

从所述真实数据集中抽取预设个数的故障标签；

针对每个故障标签，均执行：

基于正态分布函数，为该故障标签施加一个干扰项，得到一个所述样本标签；

根据预设的邻域范围，确定包含该样本标签的故障趋势范围；

将该故障趋势范围内的至少部分真实数据作为该样本标签下的样本数据。

5.根据权利要求4所述的方法，其特征在于，

所述样本标签的故障趋势分布为：

所述样本数据的条件分布：

所述样本数据和所述样本标签联合概率分布的经验估计为：

所述生成模型的损失函数为：

所述判别模型的损失函数为：

式中，x、y分别表示概率分布的自变量，x表示样本，y表示样本标签，N表示用于融合的样本数据和生成的伪数据对的数量，N^r和N^g分别表示样本数据和生成的伪数据的数量，H₁、H₂、H₃、H₄、H₅和H₉分别表示归一化的常数，E表示期望，D()表示判别模型的输出，G()表示生成模型的输出，ξ表示干扰项，x_i^r表示样本集中的样本数据，x_i^g表示生成网络生成的伪数据，x_i、x_k分别表示第i、k个训练样本，y_i、y_j、y_k分别表示第i、j、k个训练样本的样本标签，σ²表示正态分布的方差，ε表示所述预设的邻域范围，λ表示可调整权重，Z表示随机噪声，α表示融合权重，表示判别模型的输出相对于输入样本的梯度。