一种基于生成对抗网络的循环水泵导轴承异常检测方法

本发明涉及轴承异常检测，特别涉及一种基于生成对抗网络的循环水泵导轴承异常检测方法。

背景技术：

1、循环水泵为辅助冷却系统提供冷却水，是核电厂第三回路循环水系统中重要的动力设备。导轴承是循环水泵中的关键旋转部件之一，对循环水泵的平稳运行起重要作用，其单边间隙一旦超过设计要求，会导致叶轮碰损，甚至造成机组功率下降、异常停机等问题，造成巨大经济损失。因此，针对循环水泵导轴承的监测信号进行精确、直观的异常检测，能够有效评估设备的运行状态，降低经济损失，提高核电机组的安全性。

2、循环水泵属于结构复杂的非线性系统，对其运行规律和机械结构进行建模，难度大，检测精确度低。针对海量监测数据进行信号处理，依赖专家经验，检测效率低。基于深度学习的无监督异常检测方法在不引入人工经验的前提下，能够快速实现端到端的异常检测，在设备异常检测领域得到快速发展。

3、在实际工业场景中，由于设备运行平稳、监测数据量庞大，导致异常数据稀缺、数据标注成本高。其次，数据夹杂大量噪声信号，数据集分布复杂，导致基于数据驱动的异常检测方法难以全面获取健康状态下样本分布信息，异常检测精确率较低。因此，在数据集不平衡的情况下，开展针对循环水泵导轴承的无监督异常检测方法研究，具有重要的工程应用价值。

技术实现思路

1、本发明的目的在于提供一种基于生成对抗网络的循环水泵导轴承异常检测方法，以解决现有技术存在的问题。本发明在无故障样本的情况下，通过构建生成对抗网络自动提取正常样本分布特征，实现无监督异常检测，不依赖人工经验，增强样本重构效果,提高异常检测的效率和精确率。

2、为达到上述目的，本发明采用如下技术方案：

3、基于生成对抗网络的循环水泵导轴承异常检测方法包括，

4、步骤1：使用加速度传感器采集循环水泵导轴承运行状态数据，对运行状态数据进行数据预处理并划分训练集和测试集，其中，训练集只包含正常样本，测试集包含正常样本和异常样本；

5、步骤2：使用自编码器和生成对抗网络构建异常检测模型；

6、步骤3：使用所述训练集对所述异常检测模型参数进行更新训练，使生成器具有正常样本分布重构能力，判别器具有样本分布判别能力；

7、步骤4：使用训练好的生成器重构所述测试集，联合测试样本的重构误差和所述判别器输出概率分布计算异常指标；

8、步骤5：采用3σ准则设定所述异常指标的报警阈值，筛选测试集中的异常样本。

9、所述的循环水泵导轴承异常检测方法中，所述数据预处理包括数据分割、归一化和标签化；

10、数据分割为：使用长度固定的滑动时窗无重叠截取运行状态数据，公式如下：

11、xk＝{xk×l-l+1，xk×l-l+2，...，xk×l}

12、式中xk为第k个样本，x为加速度传感器获得的时间序列，l为时窗长度；

13、对运行状态数据进行归一化处理，公式如下：

14、

15、式中y为归一化后的样本，c为输入的运行状态数据，min(·)为取最小值函数，max(·)为取最大值函数；

16、对归一化的样本进行分类标签化：标签为1表示正常样本，轴承在正常运行状态下的健康信号，标签为0表示异常样本，轴承发生故障时的异常信号；

17、划分标签化的样本，从正常样本中选取预定比例作为训练集，其余正常样本和全部异常样本作测试集。

18、所述的循环水泵导轴承异常检测方法中，异常检测模型包括生成器和判别器，生成器由编码器en和解码器de构成，编码器en和解码器de都是由双向长短时记忆网络和全连接层组成，编码器en提取输入样本x的潜在变量编码zs，解码器de通过重构潜在变量编码zs获得重构样本随机噪声z服从高斯分布pz＝n(0，1)，输入到解码器de中获得生成样本zge；

19、判别器d1和判别器d2由全连接层组成，判别器d1用来区分正常样本x和生成样本zge，判别器d2负责区分潜在变量编码zs和高斯噪声z。

20、所述的循环水泵导轴承异常检测方法中，步骤3包含以下步骤：

21、步骤3.1，从训练集中取n个样本x＝{x1，...，xn}，随机生成n个高斯噪声z＝{z1，...，zn}；

22、步骤3.2，判别器d1将正常样本x和随机噪声z的生成样本zge同时作为输入，捕捉正常样本的特征，使正常样本的输出概率分布接近1，异常样本的输出概率分布接近0。损失函数使用wasserstein-1距离以稳定训练过程，通过下式训练判别器d1：

23、

24、式中l1为判别器d1的损失计算函数，x～px为正常样本分布，z～pz为高斯噪声分布，d1为判别器，de为解码器；

25、步骤3.3，将正常样本x的潜在变量编码zs和高斯噪声z输入到判别器d2中，利用下式训练判别器d2：

26、

27、式中l2为判别器d2的损失计算函数，d2为判别器，en为编码器；

28、步骤3.4，当判别器d1无法区分正常样本x和生成样本zge时，说明生成器具有正常样本分布重构能力，当判别器d2无法区分潜在变量编码zs和高斯噪声z时，说明正常样本x经过编码器en映射到潜在空间后接近高斯分布。引入循环一致性损失训练生成器，保证生成器的重构样本与正常样本x的分布相似，利用下式训练编码器en和解码器de：

29、

30、式中l为生成器的损失计算函数，||x-de(en(x))||2为正常样本x和重构样本的l2范数。

31、所述的循环水泵导轴承异常检测方法中，步骤4包含以下步骤：

32、步骤4.1，将测试集中某一个样本p＝{p1，...，pn}输入到生成器中得到重构样本利用判别器d1提取重构样本的特征，获得输出概率分布

33、步骤4.2，采用动态时间规整算法计算输入样本p和重构样本之间的重构误差re(p)，具体为：计算两个序列间的欧氏距离，公式为：

34、

35、式中pi为输入样本p中第i个数据点，i＝1，2，...，n，为重构样本中第j个数据点，j＝1，2，...，n；

36、得到距离矩阵，公式为：

37、

38、借助动态规划算法，求解d中d(1，1)至d(n，n)的最优规划路径，使路径上的d之和最小，公式为：

39、rbest＝{r1，r2，…，rk，…，rk}

40、式中rk为规划路径位置，其中n≤k≤2n-1；

41、为了确定规划路径位置rk，构造新的代价矩阵，其中矩阵元素γ(i，j)的公式为：

42、γ(i，j)＝d(i，j)+min[γ(i-1，j-1)，γ(i-1，j)，γ(i，j-1)]

43、式中γ(i，j)为d(1，1)至d(i，j)的最优规划路径上的距离之和，γ(0，0)＝0，γ(i，0)＝γ(0，j)＝∞；

44、p和的最小累计距离值为重构误差re(p)，公式为：

45、

46、步骤4.3，得到所有测试集样本的重构误差re(p)和判别器d1的输出概率分布后，计算它们的标准化分数，重构误差的标准化分数公式为：

47、

48、式中为第i个测试集样本重构误差的标准化分数，re(pi)为第i个测试集样本的重构误差，μ(·)为均值函数，σ(·)为标准差函数；

49、计算测试集异常指标，公式为：

50、

51、式中α(pi)为第i个测试集样本的异常指标。

52、所述的循环水泵导轴承异常检测方法中，步骤5中，计算测试集中所有样本的异常指标α＝{α1，...，αm}，采用3σ准则设定报警阈值，计算测试集中已知正常样本的分数阈值τ＝μ(α)+3σ(α)，根据分值阈值进行异常检测，公式为：

53、

54、式中ad(pi)为第i个测试集样本的检测结果，1为正常样本，0为异常样本。

55、与现有技术相比，本发明具有以下优势：

56、1.本发明在无故障样本的情况下，仅需要大量轴承健康状态数据训练模型，有效地解决了循环水泵导轴承故障数据稀缺导致异常检测精确度不足的问题，符合工程实际背景。

57、2.本发明提出了新颖的生成对抗网络模型，构造了多个判别器以增强生成器拟合正常样本的能力，利用wasserstein-1距离和循环一致性损失训练模型，有效地缓解了生成器梯度消失的问题，提高了生成器的样本重构能力和判别器的识别能力，提高了异常检测的精确度。

58、3.本发明联合动态时间规整算法和判别器输出概率分布计算样本异常指标，增加了正常样本与异常样本的区分度，提高了模型对异常信号的检测能力。

59、4.本发明实现了端到端的异常检测，直接将待测样本输入到训练好的生成器中，计算重构样本的异常指标，筛选异常数据，提高了检测效率。