申请/专利权人:西安理工大学
申请日:2022-07-27
公开(公告)日:2022-11-15
公开(公告)号:CN115345222A
主分类号:G06K9/62
分类号:G06K9/62;G06N3/04;G06N3/08;G06N5/00;G06N20/20
优先权:
专利状态码:在审-实质审查的生效
法律状态:2022.12.02#实质审查的生效;2022.11.15#公开
摘要:本发明公开了一种基于TimeGAN模型的故障分类方法,首先将原始的故障数据进行基于统计方法的特征提取,即提取统计特征代表原有的数据作为特征矢量;TimeGAN模型构建,然后对TimeGAN模型对抗训练,将TimeGAN生成故障的特征样本与原始故障的特征样本进行合并组成新的数据集,并划分训练集和测试集;将训练集输入到XGBoost模型进行迭代训练,估计模型中的参数,使模型能够进行后续分类任务;最后使用训练好的分类模型在测试集上测试,以评估模型的分类性能。本发明提高故障分类的效果,为故障诊断提供可靠保障。
主权项:1.一种基于TimeGAN模型的故障分类方法,其特征在于,具体按照以下步骤实施:步骤1、特征提取:首先将原始的故障数据进行基于统计方法的特征提取,即提取统计特征代表原有的数据作为特征矢量;步骤2、TimeGAN模型构建:TimeGAN模型由四个网络组件构成:嵌入网络、恢复网络、生成器网络和判别器网络;步骤3、TimeGAN模型对抗训练:将步骤1处理的故障数据输入到步骤2构建的TimeGAN模型中,由生成器生成的数据与原始数据同时经过判别器网络进行训练,判别器网络的输出表示输入数据属于原始数据而非生成样本的概率;同时,会通过计算损失函数更新TimeGAN各网络组件,最终生成高质量的故障样本;步骤4、将TimeGAN生成故障的特征样本与原始故障的特征样本进行合并组成新的数据集,并划分训练集和测试集;步骤5、将训练集输入到XGBoost模型进行迭代训练,估计模型中的参数,使模型能够进行后续分类任务;步骤6、使用训练好的分类模型在测试集上测试,以评估模型的分类性能。
全文数据:
权利要求:
百度查询: 西安理工大学 一种基于TimeGAN模型的故障分类方法
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。