申请/专利权人：合肥工业大学;蚌埠凯盛工程技术有限公司

申请日：2024-01-03

公开（公告）日：2024-03-22

公开（公告）号：CN117520905B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/213;G06N3/0475;G06N3/045;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.02.27#实质审查的生效;2024.02.06#公开

摘要：本发明涉及反事实故障数据生成技术领域，具体是一种基于因果干预的反事实故障数据生成方法。首先通过结构因果模型来刻画故障数据的生成机制，认为故障数据由因果特征与非因果特征组成，且只有因果特征才会影响故障类型的判断。接着通过CycleGAN网络去解耦，生成因果特征与非因果特征。在CycleGAN网络中引入因果关系损失以及特征信息对比损失来约束模型，进一步保留因果因子，干预非因果因子。对CycleGAN网络中的生成器和判别器进行训练，以得到最优生成器，并通过最优生成器生成反事实故障数据。本发明通过所提出的网络模型可以生成高质量的反事实故障数据，提高故障诊断的精度。

主权项：1.一种基于因果干预的反事实故障数据生成方法，其特征在于，包括以下生成步骤：S1、获取原始工况故障数据和目标工况故障数据；提取出原始工况故障数据中的真实故障特征，将真实故障特征输入到生成对抗网络中的生成器中，并对真实故障特征进行特征解耦，将真实故障特征解耦成与故障类型之间存在因果关系的真实因果特征和与故障类型之间不存在因果关系的真实非因果特征；真实因果特征通过生成器生成对应的反事实因果特征，反事实因果特征构成对应的反事实故障特征；S2、将反事实故障特征和目标工况故障数据中的真实故障特征同时输入到生成对抗网络中的判别器中，对判别器和生成器进行误差最优化训练，以得到最优生成器，并在最优生成器中形成由原始工况故障数据中的真实故障特征生成目标工况故障数据中的真实故障特征的映射；S3、将原始工况故障数据中的真实故障样本输入到最优生成器中，通过映射生成对应的反事实故障数据；将原始工况故障数据中的真实故障特征输入到生成对抗网络中的生成器中后，生成器首先对该真实故障特征进行特征解耦，即将该真实故障特征的真实振动信号按时间顺序依次划分成K个真实补丁，且每个真实补丁在真实振动信号中分别对应一个位置，各个真实补丁分别为z1、z2、…、zk、…、zK；其中，z1表示第1个真实补丁，z2表示第2个真实补丁；zk表示第k个真实补丁；zK表示第K个真实补丁；各个真实补丁表征与故障类型之间存在因果关系的真实因果特征；将真实补丁输入到生成器中，各个真实补丁依次通过生成器中的输入层、各层网络，以及输出层的处理，最后在生成器中输出对应的反事实补丁，各个反事实补丁分别为；其中，表示生成器输出的第1个反事实补丁，即z1在生成器中生成的反事实补丁；表示生成器输出的第2个反事实补丁，即z2在生成器中生成的反事实补丁；表示生成器输出的第k个反事实补丁，即zk在生成器中生成的反事实补丁；表示生成器输出的第K个反事实补丁，即zK在生成器中生成的反事实补丁；反事实补丁表示对应的反事实因果特征，各个反事实补丁按各自对应的真实补丁在真实振动信号中的位置依次排列组合，以构成由原始工况故障数据通过生成器生成的反事实故障数据；生成对抗网络采用CycleGAN网络，CycleGAN网络的对抗损失函数表示如下： 其中，表示CycleGAN网络的对抗损失函数；G表示生成器；D表示判别器；X表示原始工况故障数据构成的样本集合，x表示X中的真实故障样本；表示原始工况故障数据的数据分布；Ex表示X中真实故障样本的期望；D·表示CycleGAN网络的判别函数；G·表示CycleGAN网络的生成函数；Y表示目标工况故障数据构成的样本集合，y表示Y中的真实故障样本；表示目标工况故障数据的数据分布；Ey表示Y中真实故障样本的期望；在原始工况故障数据中具有时间戳的真实故障特征的真实振动信号中，不同时刻的真实补丁之间的关系是不一致的，使用点积运算计算不同真实补丁之间的因果关系；在原始工况故障数据中，对于给定的且用向量表示的真实补丁zk，其与真实补丁zi之间的相关性关系表示为： 其中，Pki表示真实补丁zk和真实补丁zi之间的相关性关系评定分数，即表征真实补丁zk和真实补丁zi之间的因果关系分布；exp·表示以自然常数e为底的指数函数；u表示超参数；zj表示原始工况故障数据的真实振动信号中生成的第j个真实补丁，j=1,…,K，K表示真实补丁的总数；T表示矩阵转置操作；求解出原始工况故障数据中真实补丁zk和所有其他的真实补丁之间的相关性关系，并记为Pk；同理，在反事实故障数据中，对于给定的且用向量表示的反事实补丁其与反事实补丁之间的相关性关系表示为： 其中，Qki表示反事实补丁和反事实补丁之间的相关性关系评定分数，即表征反事实补丁和反事实补丁之间的因果关系分布；表示反事实故障数据中形成的反事实振动信号中的第j个反事实补丁；求解出反事实故障数据中反事实补丁与所有其他反事实补丁之间的相关性关系，并记为Qk；通过JS散度度量Pk和Qk之间的相似度，度量公式如下： 其中，表示Pk和Qk之间的相似度；表示Qk对Pk的KL散度；表示Pk对Qk的KL散度；通过最小化，即可进一步约束真实补丁zk和对应的反事实补丁之间的因果特征的完整性；基于最小化的原理，通过JS散度求解所有真实补丁和对应的反事实补丁之间的相似度，该相似度即可作为因果关系损失，该因果关系损失表示如下： 其中，表示生成器G中的因果关系损失。

全文数据：

权利要求：

百度查询： 合肥工业大学;蚌埠凯盛工程技术有限公司 一种基于因果干预的反事实故障数据生成方法

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