申请/专利权人：浙江工业大学

申请日：2022-04-13

公开（公告）日：2022-07-01

公开（公告）号：CN114692506A

主分类号：G06F30/27

分类号：G06F30/27;G06K9/62;G06N3/04;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.07.19#实质审查的生效;2022.07.01#公开

摘要：本发明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。

主权项：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： 其中，θe、θr、θg、θd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，xt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，yS为真实静态特征分类结果，yt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，hS为潜在静态表征，ht为t时刻的潜在时态表征，ht-1为t-1时刻的潜在时态表征，zt为t时刻的时态随机向量，gχ为时态特征生成网络，为服从随机变量s,x1:T概率分布P的期望，为服从随机变量s,x1:T生成概率分布的期望；S3、将故障样本输入所述改进TimeGAN模型生成故障数据；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所述样本集的时频特征，所述小波包分解包括分解操作和重构操作，具体如下：1设输入信号为离散信号分解操作计算如下： 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，n,k,为待分解的分量0≤i≤2N-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；2重构操作计算如下： 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；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；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。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于改进TimeGAN模型的小样本故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD