设备损坏预测系统技术方案

本公开提供了一种生成式对抗网络(GAN)系统，包括：生成器子网络，所述生成器子网络被配置成检验设备的一个或多个实际损坏图像。所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像。所述GAN系统还包括鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。

【技术实现步骤摘要】
设备损坏预测系统
本文中描述的主题涉及使用一个或多个神经网络的图像分析系统。
技术介绍
随着时间推移，设备可能磨损最终失效。例如，随着时间推移，涡轮中的叶片可能形成碎片或裂缝，如果没有尽早地发现这种损坏，以致没有进行大修或更换涡轮中的零件，则这可能导致涡轮的灾难性的故障和/或涡轮很长的停机时间。一些已知的系统和方法可以可视地检验设备的各部件，以便识别设备的损坏。但是，这些系统和方法有某些缺陷。举一个例子，设备的图像或视频中出现的损坏的表征可能是特别主观的，易产生错误。举另一个例子，损坏的严重性和/或扩展的可能性的确定可能需要有关于设备中的各种材料、这些材料所暴露到的环境条件、设备运行的运行条件等的大量信息，需要知道这些信息以准确地识别、表征和/或预测损坏的即将增长。这些信息可能对设备损坏的即将增长的自动分析和/或预测是不可用的。
技术实现思路
在一个实施例中，GAN系统包括生成器子网络，所述生成器子网络被配置成检验设备的一个或多个实际损坏图像。所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像。所述GAN系统还包括鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。在一个实施例中，一种方法，包括：使用GAN的生成器子网络检验设备的一个或多个实际损坏图像；使用所述生成器子网络基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及通过使用所述GAN的鉴别器子网络检验所述一个或多个潜在损坏图像，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。在一个实施例中，GAN系统包括生成器子网络，所述生成器子网络被配置成使用设备的一个或多个实际损坏图像加以训练。所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像。所述GAN系统还包括鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。具体地，本申请技术方案1涉及一种生成式对抗网络(GAN)系统，包括：生成器子网络，所述生成器子网络被配置成检验设备的一个或多个实际损坏图像；所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。本申请技术方案2涉及根据技术方案1所述的系统，其中，所述鉴别器子网络被配置成确定一个或多个损失函数，所述损失函数指示所述一个或多个潜在损坏图像中的误差。本申请技术方案3涉及根据技术方案1所述的系统，其中，所述生成器子网络被配置成使用所述一个或多个实际损坏图像加以训练。本申请技术方案4涉及根据技术方案3所述的系统，其中，所述生成器子网络被配置成使用所述一个或多个实际损坏图像，通过确定所述一个或多个实际损坏图像的像素特征的分布加以训练。本申请技术方案5涉及根据技术方案1所述的系统，其还包括控制器，所述控制器被配置成响应于确定所述一个或多个潜在损坏图像代表实际损坏的发展，执行一个或多个动作。本申请技术方案6涉及根据技术方案1所述的系统，其中，所述鉴别器子网络被配置成通过确定所述一个或多个潜在损坏图像的一个或多个损失函数，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。本申请技术方案7涉及根据技术方案6所述的系统，其中，所述鉴别器子网络被配置成响应于所述一个或多个潜在损坏图像的所述一个或多个损失函数不超过指定阈值，确定所述一个或多个潜在损坏图像代表所述设备的实际损坏的发展。本申请技术方案8涉及一种方法，包括：使用生成式对抗网络(GAN)的生成器子网络，检验设备的一个或多个实际损坏图像；使用所述生成器子网络基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及通过使用所述GAN的鉴别器子网络检验所述一个或多个潜在损坏图像，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。本申请技术方案9涉及根据技术方案8所述的方法，其还包括，使用所述鉴别器子网络确定一个或多个损失函数，所述损失函数指示所述一个或多个潜在损坏图像中的误差。本申请技术方案10涉及根据技术方案9所述的方法，其还包括，使用所述一个或多个实际损坏图像训练所述生成器子网络。本申请技术方案11涉及根据技术方案10所述的方法，其中，训练所述生成器子网络包括确定所述一个或多个实际损坏图像的像素特征的分布。本申请技术方案12涉及根据技术方案8所述的方法，其还包括，响应于确定所述一个或多个潜在损坏图像代表实际损坏的发展，执行一个或多个动作。本申请技术方案13涉及根据技术方案8所述的方法，其中，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展包括确定所述一个或多个潜在损坏图像的一个或多个损失函数。本申请技术方案14涉及根技术方案13所述的方法，其中，响应于所述一个或多个潜在损坏图像的所述一个或多个损失函数不超过指定阈值，确定所述一个或多个潜在损坏图像代表所述设备的实际损坏的发展。本申请技术方案15涉及一种生成式对抗网络(GAN)系统，包括：生成器子网络，所述生成器子网络被配置成使用设备的一个或多个实际损坏图像加以训练；所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。本申请技术方案16涉及根据技术方案15所述的系统，其中，所述鉴别器子网络被配置成确定一个或多个损失函数，所述损失函数指示所述一个或多个潜在损坏图像中的误差。本申请技术方案17涉及根据技术方案15所述的系统，其中，所述生成器子网络被配置成使用所述一个或多个实际损坏图像，通过确定所述一个或多个实际损坏图像的像素特征的分布加以训练。本申请技术方案18涉及根据技术方案15所述的系统，其还包括控制器，所述控制器被配置成响应于确定所述一个或多个潜在损坏图像代表实际损坏的发展，执行一个或多个动作。本申请技术方案19涉及根据技术方案15所述的系统，其中，所述鉴别器子网络被配置成通过确定所述一个或多个潜在损坏图像的一个或多个损失函数，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。本申请技术方案20涉及根据技术方案19所述的系统，其中，所述鉴别器子网络被配置成响应于所述一个或多个潜在损坏图像的所述一个或多个损失函数不超过指定阈值，确定所述一个或多个潜在损坏图像代表所述设备的实际损坏的发展。附图说明通过参考附图阅读以下非限制性实施例的描述，将更好地理解本公开的主题，以下在所述附图中：图1说明设备损坏预测系统的一个实施例；图2说明基于图像预测设备中损坏的发展的方法的一个实施例的流程图；图3说明图1中所示的生成式对抗网络(GAN)系统的发生器子网络，其创建设备的潜在损坏的一批图像；以及图4说明使用由GAN系统确定的预测损坏发展的修理系统的一个示例。具体实施方式本文中本文档来自技高网...

【技术保护点】
1.一种生成式对抗网络(GAN)系统，包括：生成器子网络，所述生成器子网络被配置成检验设备的一个或多个实际损坏图像；所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。

【技术特征摘要】
2017.04.03 US 15/4775171.一种生成式对抗网络(GAN)系统，包括：生成器子网络，所述生成器子网络被配置成检验设备的一个或多个实际损坏图像；所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。2.根据权利要求1所述的系统，其中，所述鉴别器子网络被配置成确定一个或多个损失函数，所述损失函数指示所述一个或多个潜在损坏图像中的误差。3.根据权利要求1所述的系统，其中，所述生成器子网络被配置成使用所述一个或多个实际损坏图像加以训练。4.根据权利要求3所述的系统，其中，所述生成器子网络被配置成使用所述一个或多个实际损坏图像，通过确定所述一个或多个实际损坏图像的像素特征的分布加以训练。5.根据权利要求1所述的系统，其还包括控制器，所述控制器被配置成响应于确定所述一个或多个潜在损坏图像代表实际损坏的发展，执行一个或多个动作。6.根据权利要求1所述的系统，其中，所述鉴别器子网络被配置成通过确定所述一个或多个潜在损坏图像的一个或多个...

【专利技术属性】
技术研发人员：林思南，A贾因，D迪温斯基，S邦杜古拉，YL林，边霄，
申请(专利权)人：通用电气公司，
类型：发明
国别省市：美国,US