基于对抗式生成网络的故障检测方法及系统、计算机程序与流程

本发明属于数字信息传输技术领域，尤其涉及一种基于对抗式生成网络的故障检测方法及系统、计算机程序。

背景技术：

目前，业内常用的现有技术是这样的：已有的带监督的故障检测方法面临样本不平衡的挑战，即正常样本明显多于故障样本。对抗式生成网络作为一种无监督的学习方法，可以自主学习故障样本的规律，并生成虚拟的故障样本，从而使得的正常样本和故障样本的数量相当。绝大多数情况下，故障样本远远少于正常样本，因此存在样本不平衡现象。现有的带监督的故障检测方法(如支持向量机、神经网络等)本质上都是二分类器，只有在两类标签样本的数量相当时，才能找到最优的分类向量(或网络权值)。在一个二分类问题中，如果训练数据集合中正常的样本数和故障的样本数的比值不均衡，将会导致分类结果不准确。

在样本不平衡时，得到的分类向量(或网络权值)不是最优解，故障检测效果就会受到很大的影响，经常遇到样本不平衡的问题，如果样本不平衡比例超过4:1，那么其分类器会大大地因为数据不平衡性而无法满足分类要求的。因此在构建分类模型之前，需要对分类不平衡性问题进行处理，减少误报率和漏报率。

综上所述，现有技术存在的问题是：现有的带监督的故障检测方法(如支持向量机、神经网络等)在样本不平衡时，故障检测效果就会受到很大的影响。

解决上述技术问题的难度和意义：样本不平衡时故障检测领域的普遍现象，严重困扰着该领域的工程技术人员；当遇到样本不均衡问题时，首先应该想到，是否可能再增加数据(一定要有小类样本数据)，更多的数据往往分类正确率更高。而对抗生成网络可以通过学习故障样本的统计规律，并自主的生成故障样本，使故障样本的数量与正常样本的数量相当。本发明提供了一种具有高度普适性的框架，具有很好的包容性，可以和任何现有的带监督的故障检测方法进行结合，因此有望在很多领域得到广泛应用。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于对抗式生成网络的故障检测方法及系统、计算机程序。

本发明是这样实现的，一种基于对抗式生成网络的故障检测方法，所述基于对抗式生成网络的故障检测方法首先利用对抗式生成网络来学习故障样本的统计规律，并自主生成故障样本，使得故障样本的数量与正常样本的数量相当；然后，再用传统的带监督故障检测方法对新样本进行学习和建模。

进一步，所述基于对抗式生成网络的故障检测方法具体包括：

步骤一，采集样本，并给样本增加标签，可分为正常样本和故障样本；

步骤二，训练对抗式生成网络，产生虚拟故障样本，把故障样本作为网络的输入，生成模型用来生成虚拟故障样本，判别模型用来区分真实故障样本和虚拟故障样本；当判别模型的错误概率到0.5左右时，结束训练过程；

步骤三，用训练后的对抗式生成网络来产生虚拟故障样本，生成的虚拟故障样本数＝正常样本数-故障样本数；

步骤四，将虚拟故障样本加入实际采集样本，得到新的训练数据集合，训练数据集合分为正常样本，故障样本和虚拟故障样本；

步骤五，基于新的训练数据集合，训练分类器(支持向量机、神经网络等)；

步骤六，利用训练后的分类器进行故障检测和诊断。

进一步，所述步骤二把故障样本作为网络的输入，生成模型用来生成虚拟故障样本，判别模型用来区分真实故障样本和虚拟故障样本；当判别模型的错误概率到0.5时，结束训练过程。

本发明的另一目的在于提供一种实现所述基于对抗式生成网络的故障检测方法的基于对抗式生成网络的故障检测系统，所述基于对抗式生成网络的故障检测系统包括：

样本采集模块，用于样本采集和给样本增加标签；

训练模块，用于训练对抗式生成网络，产生虚拟故障样本；

虚拟故障样本模块，用于训练后的对抗式生成网络来产生虚拟故障样本；

训练数据集合模块，用于将虚拟故障样本加入实际采集样本，得到新的训练数据集合；

分类器训练模块，用于基于新的训练数据集合，训练分类器；

检测和诊断模块，用于利用训练后的分类器进行故障检测和诊断。

本发明的另一目的在于提供一种实现所述基于对抗式生成网络的故障检测方法的计算机程序。

本发明的另一目的在于提供一种实现所述基于对抗式生成网络的故障检测方法的信息数据处理终端。

本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于对抗式生成网络的故障检测方法。

综上所述，本发明的优点及积极效果为：本发明专利首先利用对抗式生成网络来学习故障样本的统计规律，并自主生成故障样本，使得故障样本的数量与正常样本的数量相当。然后，再用传统的带监督故障检测方法(如支持向量机、神经网络等)对新样本进行学习和建模，可以得到更好的故障检测模型。在本次实验中选取了旋转机械的正常数据和缺齿故障数据，第一组是正常数据包括21个正常样本和3个故障样本，用bp神经网络分类的正确率为0.7500。第二组是正常数据加对抗生成网络生成的虚拟故障数据包括12个正常样本6故障样本6个虚拟故障样本，用bp神经网络分类的正确率为0.9583。

附图说明

图1是本发明实施例提供的基于对抗式生成网络的故障检测方法流程图。

图2是本发明实施例提供的基于对抗式生成网络的故障检测系统结构示意图；

图中：1、样本采集模块；2、训练模块；3、虚拟故障样本模块；4、训练数据集合模块；5、分类器训练模块；6、检测和诊断模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有的带监督的故障检测方法在样本不平衡时，故障检测效果就会受到很大的影响；本发明专利首先利用对抗式生成网络来学习故障样本的统计规律，并自主生成故障样本，使得故障样本的数量与正常样本的数量相当。然后，再用传统的带监督故障检测方法对新样本进行学习和建模，可以得到更好的故障检测模型。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于对抗式生成网络的故障检测方法包括以下步骤：

s101：采集样本，并给样本增加标签(正常样本还是故障样本)；

s102：训练对抗式生成网络，产生虚拟故障样本：把故障样本作为网络的输入，生成模型用来生成虚拟故障样本，判别模型用来区分真实故障样本和虚拟故障样本；当判别模型的错误概率到0.5左右时，结束训练过程；

s103：用训练后的对抗式生成网络来产生虚拟故障样本，生成的虚拟故障样本数＝正常样本数-故障样本数；

s104：将虚拟故障样本加入实际采集样本，得到新的训练数据集合；

s105：基于新的训练数据集合，训练分类器(支持向量机、神经网络等)；

s106：利用训练后的分类器进行故障检测和诊断。

如图2所示，本发明实施例提供的基于对抗式生成网络的故障检测系统包括：

样本采集模块1，用于样本采集和给样本增加标签；

训练模块2，用于训练对抗式生成网络，产生虚拟故障样本；

虚拟故障样本模块3，用于训练后的对抗式生成网络来产生虚拟故障样本；

训练数据集合模块4，用于将虚拟故障样本加入实际采集样本，得到新的训练数据集合；

分类器训练模块5，用于基于新的训练数据集合，训练分类器；

检测和诊断模块6，用于利用训练后的分类器进行故障检测和诊断。

下面结合实验对本发明的应用效果作详细的描述。

在本次实验中选取了旋转机械的正常数据和缺齿故障数据，首先把缺齿故障样本作为网络的输入，生成模型用来生成虚拟故障样本，判别模型用来区分真实故障样本和虚拟故障样本；当判别模型的错误概率到0.5左右时，结束训练过程。也就是说生成了真假难辨的虚拟故障数据。然后再用bp神经网络进行分类。选择的每一个样本是1000*1，经过傅里叶变换提取每个样本的特征，将每个样本变化为1*28。

第一组选取的是正常数据包括21个正常样本和3个故障样本，用bp神经网络分类的正确率为0.7500。

第二组选取的是正常数据加对抗生成网络生成的虚拟故障数据包括12个正常样本6故障样本6个虚拟故障样本，用bp神经网络分类的正确率为0.9583。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。