【技术实现步骤摘要】
本专利技术涉及健康管理领域，特别可以用于变分自编码生成对抗网络(variationalautoencoder-generative adversarial network，vae-gan)对不平衡数据进行数据增强，具体是一种基于vae-gan网络的断路器轴承故障数据的增强方法。
技术介绍
1、断路器在多个领域应用广泛但易发生故障，其中轴承作为断路器缓冲器关键部件也会因各种因素影响产生各种问题。早期针对此类故障诊断方法，大多凭借人工经验，但会出现误判、漏判等情况。随着人工智能技术的出现，利用深度学习进行故障诊断特征的提取与判断更加高效、准确。
2、目前，在实际工业现场中存在大量带标签数据难以获取问题，较差的泛化能力限制了基于深度学习故障诊断技术的发展。因此，以数据增强为代表的辅助提高深度学习能力的方式方法，在近年来受到了广泛的关注。
3、例如：申请号为“cn202310355427”的文件中公开了“一种基于多尺度特征融合的非平衡样本轴承故障诊断方法”，构建vae-gan样本生成模型来生成对应类别的伪样本，以增加样本数据量并设计了多尺度特征提取模型，利用通道注意力机制对特征进行加权融合，从而实现轴承故障状态的识别，但伪样本的引入会导致数据集的分布失衡与不一致，影响到模型的泛化能力和实际应用效果，且多尺度特征提取及其后续的特征融合过程需要大量的计算资源和复杂的调参过程，增加了实施和维护的技术成本和难度。
4、另一份申请号为“cn202410088255.1”的文件中公开了“基于3d建模的目标检测数据
5、上述文件共同的问题是：计算成本和复杂性较高且模型的有效性和准确性高度依赖于它们的假设、数据处理方法及训练数据的规模和分布，模型假设的局限性会导致检测结果不够准确，数据增强模型在捕捉数据深层次特征时存在不足。
技术实现思路
1、本专利技术提出一种基于vae-gan网络的断路器轴承故障数据的增强方法，克服了现有技术存在的计算成本和复杂性较高、模型假设的局限性导致检测结果不够准确，数据增强模型在捕捉数据深层次特征时存在不足的问题。
2、为达到上述目的，本专利技术提供的技术方案如下：
3、一种基于vae-gan网络的断路器轴承故障数据的增强方法，包括以下步骤：
4、步骤一、对故障数据进行特征变换；
5、步骤二、添加vae到gan中并构建模型：采用变分自编码器vae输出的隐变量作为gan模型生成器的输入，并同时增加网络深度；
6、步骤三、利用wasserstein距离替换度量真实样本与生成样本之间距离的kl散度，并通过梯度惩罚约束判别器，最后利用该模型生成与真实数据相似的生成样本。
7、优选的，步骤一中，对采集到的断路器轴承故障数据进行连续小波变换，将一维信号转换为二维图像；
8、对于任意的l2(r)空间中的函数f(t)，连续小波变换(cwt)的定义为：
9、
10、其中，a为尺度因子，τ为平移因子，ψa,τ为小波基函数。
11、优选的，上述步骤二中，所述gan的目标函数如式(4)所示：
12、
13、式中，e表示求数学期望，d(x)表示对于输入的真实样本判别为真的概率，d(g(z))表示对于输入的生成样本判别为真的概率，pdata(x)表示真实数据分布，p(z)表示随机噪声服从的数据分布，一般为高斯分布，表示真实样本与生成样本的差异程度。
14、优选的，上述步骤二中，所述vae使用神经网络训练一个简单的分布来近似pθ(z|x)，并通过kl散度来度量二者的接近程度，如式(6)所示
15、
16、将式(5)代入式(6)可以得到如下目标函数：
17、
18、记其中被称为变分下界，则对pθ(z|x)的参数估计问题转化为对下界的优化问题；一般假定服从于高斯分布，隐变量z服从于标准正态分布，即pθ(z|x)～n(0,1)；μ和σ2表示均值和方差，可以通过网络学习得到；
19、为了能使用梯度下降法优化网络损失，在进行采样操作时，vae运用重参数方法，通过一个高斯噪声e将μ和σ2组合成隐变量z，即z＝μ+e×σ。
20、优选的，上述步骤三中，所述wasserstein距离定义如式(9)：
21、
22、式中，z表示变分自动编码器的隐变量，π(pr,pg)表示真实数据分布pr和生成数据分布pg的所有联合概率分布的集合，从中采样一个真实样本x和一个生成样本g(z)，计算距离||x-g(z)||的期望e(x,g(z))～y[||x-g(z)||]。
23、与现有技术相比，本专利技术具有以下有益效果：
24、1、本方法的特征变换采用连续小波变换。本专利技术涉及的断路器轴承故障信号经过mexh和morlet小波基函数转换后的图片高亮杂乱没有规律，特征不明显，但信号经过本专利技术方法采用的小波基函数转换后，图片高亮的较为清晰且集中，提取到的特征信息更明显。
25、2、本方法的模型中，使用vae模型的编码器输出的隐变量替换随机噪声作为gan模型生成器的输入，避免了随机噪声导致的训练不稳定问题，提高了引入虚拟数据的质量；
26、3、变分自编码器vae的优化目标在于最小化隐变量分布与标准正态分布之间的kl散度。但kl散度在两个样本分布差异较大时会变成一个常数，导致模型训练时会有梯度消失的情况出现问题，为避免生成样本与真实样本分布差异较大导致的梯度消失问题，本专利技术用wasserstein距离替换kl散度，对权值范围进行限制，从而平稳反映两个样本之间的距离，增加了训练的稳定性，提高了数据增强效果。
27、4、判别器在训练过程中会尽可能拉大损失值，权值剪裁虽然能够独立限制每一个网络参数的取值范围，但是网络的参数总是被集中在极值附近，且权值剪裁的取值范围很难确定，容易导致梯度消失或梯度爆炸的问题。因此，本专利技术采用增加梯度惩罚项来迫使判别网络满足k-lipschitz约束条件的方式，同时将梯度值约束在1周围时效果更佳，即k＝1。
28、5、本专利技术利用虚拟数据生成技术对数据进行增强，弥补数据不平衡的缺陷，提高训练的数据质量，为后续故障诊断模型提供数据基础。
本文档来自技高网...【技术保护点】
1.一种基于VAE-GAN网络的断路器轴承故障数据的增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于VAE-GAN网络的断路器轴承故障数据的增强方法，其特征在于，所述步骤一中，对采集到的断路器轴承故障数据进行连续小波变换，将一维信号转换为二维图像；
3.根据权利要求1或2所述的一种基于VAE-GAN网络的断路器轴承故障数据的增强方法，其特征在于，所述步骤二中，所述GAN的目标函数如式(4)所示
4.根据权利要求3所述的一种基于VAE-GAN网络的断路器轴承故障数据的增强方法，其特征在于，所述步骤二中，所述VAE使用神经网络训练一个简单的分布来近似pθ(z|x)，并通过KL散度来度量二者的接近程度，如式(6)所示
5.根据权利要求4所述的一种基于VAE-GAN网络的断路器轴承故障数据的增强方法，其特征在于，所述步骤三中，所述Wasserstein距离定义如式(9)：
【技术特征摘要】
1.一种基于vae-gan网络的断路器轴承故障数据的增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于vae-gan网络的断路器轴承故障数据的增强方法，其特征在于，所述步骤一中，对采集到的断路器轴承故障数据进行连续小波变换，将一维信号转换为二维图像；
3.根据权利要求1或2所述的一种基于vae-gan网络的断路器轴承故障数据的增强方法，其特征在于，所述步骤二中，所述gan的目...
【专利技术属性】
技术研发人员：成林，窦晓军，罗建勇，司渭滨，朱永灿，赵隆，韩彦华，陈宗让，丁彬，段江，张李峰，
申请(专利权)人：国网陕西省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。