一种基于改进TimeGAN模型的小样本故障诊断方法技术

本发明专利技术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。护。护。

【技术实现步骤摘要】
一种基于改进TimeGAN模型的小样本故障诊断方法


[0001]本专利技术属于故障诊断
，具体涉及一种基于改进TimeGAN模型的小样本故障诊断方法。

技术介绍

[0002]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。
[0003]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 Square Generative adversarial networks，LSGAN)、深度卷积生成对抗网络(Deep Convolutional 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。

技术实现思路

[0004]本专利技术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。
[0005]为实现上述目的，本专利技术所采取的技术方案为：
[0006]本专利技术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：
[0007]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；
[0008]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：
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]改进TimeGAN模型的损失函数包括重建损失l
R
、对抗损失l
U
和监督损失l
S
，并构建如下目标函数：
[0014][0015][0016][0017][0018]其中，θ
e
、θ
r
、θ
g
、θ
d
依次表示嵌入网络、恢复网络、序列生成器和序列判别器的参数，λ≥0、η≥0，s为静态特征向量，为恢复后的静态特征向量，x
t
为t时刻的时态特征向量，为恢复后的t时刻的时态特征向量，y
S
为真实静态特征分类结果，y
t
为t时刻的真实时态特征分类结果，为生成的静态特征分类结果，为t时刻生成的时态特征分类结果，h
S
为潜在静态表征，h
t
为t时刻的潜在时态表征，h
t
‑1为t
‑
1时刻的潜在时态表征，z
t
为t时刻的时态随机向量，g
χ
为时态特征生成网络，为服从随机变量s,x
1:T
概率分布P的期望，为服从随机变量s,x
1:T
生成概率分布的期望；
[0019]S3、将故障样本输入改进TimeGAN模型生成故障数据；
[0020]S4、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，小波包分解包括分解操作和重构操作，具体如下：
[0021]1)设输入信号为离散信号分解操作计算如下：
[0022][0023]其中，n为离散时间序列，k为时移因子，N为尺度因子，i为层数，其中，n为离散时间序列，k为时移因子，N为尺度因子，i为层数，为待分解的分量(0≤i≤2
N
‑
1)，为低频时小波包系数，为高频时小波包系数，h0(
·
)为低通滤波器,g0(
·
)为高通滤波器；
[0024]2)重构操作计算如下：
[0025][0026]其中，为低频信号分量，为高频信号分量，h1(
·
)为高通滤波器，g1(
·
)为低通滤波器；
[0027]S5、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，获得训练好的CNN模型；
[0028]S6、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。
[0029]优选地，CNN模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第一全连接层、第二全连接层和输出层。
[0030]优选地，各池化层为最大池化层，各卷积层和全连接层的输出端还设有激活函数，激活函数为ReLU函数，输出层选用SoftMax分类器。
[0031]优选地，小波包分解采用db3小波基。
[0032]优选地，目标函数满足λ＝1，η＝10。
[0033]与现有技术相比，本专利技术的有益效果为：
[0034]该方法将最小二乘损失函数引入时间序列生成对抗网络(TimeGAN)改善模型的目标函数，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，解决样本不足问题；并利用小波包分解扩充后的样本，计算各节点的小波包系数并重构信号，充分提取样本的时频特征；最后结合CNN模型强大的空间特征提取能力提取信号空间特征，建立故障诊断模型，实现高效准确的故障诊断，从而实现智能化设备的安全维护。
附图说明
...

【技术保护点】

【技术特征摘要】
1.一种基于改进TimeGAN模型的小样本故障诊断方法，其特征在于：所述基于改进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，所述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，所述改进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：所述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，所述嵌入函数基于循环网络实现；所述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，所述恢复函数基于前馈网络实现；所述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，所述生成函数基于循环网络实现；所述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，所述判别函数基于带有前馈输出层的双向循环网络实现；所述改进TimeGAN模型的损失函数包括重建损失对抗损失和监督损失并构建如下目标函数：构建如下目标函数：构建如下目标函数：构建如下目标函数：其中，θ
e
、θ
r
、θ
g
、θ
d
依次表示嵌入网络、恢复网络、序列生成器和序列判别器的参数，λ≥0、η≥0，s为静态特征向量，为恢复后的静态特征向量，x
t
为t时刻的时态特征向量，为恢复后的t时刻的时态特征向量，y
S
为真实静态特征分类结果，y
t
为t时刻的真实时态特征分类结果，为生成的静态特征分类结果，为t时刻生成的时态特征分类结果，h
S
为潜在静态表征，h
t
为t时刻的潜在时态表征，h
t
‑1为t
‑
1时刻的潜在时态表征，z
t
为t时刻的时态随机向量，g
χ
为时态特征生成网络，为服从随机变量s,x
1:T

【专利技术属性】
技术研发人员：郭方洪，窦云飞，刘师硕，吴祥，董辉，陈积明，姚荣康，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：