申请/专利权人：西安理工大学

申请日：2021-08-18

公开（公告）日：2024-04-23

公开（公告）号：CN113837002B

主分类号：G06F18/2413

分类号：G06F18/2413;G06F18/2135;G06F18/2111;G06F18/214;G06F18/15;G06F18/21;G06N3/0475;G06N3/049;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.01.11#实质审查的生效;2021.12.24#公开

摘要：本发明公开了一种基于改进TimeGan模型的小样本数据故障诊断方法，具体为：读取原始数据，将原始数据分类为正常数据和故障数据；对正常数据、故障数据进行预处理，得到深度学习训练所需的故障数据样本和正常数据样本；对TimeGan进行对抗训练，得到训练好的TimeGan模型；利用训练好的TimeGan模型进行扩充数据，得到合成的故障数据样本，将合成的故障数据样本、故障数据样本和正常数据样本合并，得到数据集；按照指定比例先将数据集划分为训练集和测试集，之后再对训练集和测试集中的每个数据样本进行归一化处理，最后对训练集和测试集中的每个数据样本进行Harr小波特征提取和时域统计参量特征提取。

主权项：1.一种基于改进TimeGan模型的小样本数据故障诊断方法，其特征在于，具体按照以下步骤实施：步骤1，读取原始数据，将原始数据分类为正常数据和故障数据；步骤2，对步骤1中的正常数据、故障数据进行预处理，得到深度学习训练所需的故障数据样本和正常数据样本；步骤3，采用步骤2得到的故障数据样本对TimeGan进行对抗训练，得到训练好的TimeGan模型；TimeGan由嵌入网络、恢复网络、序列生成器和序列鉴别器，TimeCan中的数据具有静态特征和时态特征，S、X分别表是静态特征和动态特征的向量空间，嵌入网络和恢复网络实现原始向量空间到潜在向量空间的可逆映射，用HS、HX分别表示S、X对应的潜在向量空间；训练好的TimeGan模型具体为：步骤3.1，TimeGan利用嵌入函数e：S×ΠtX→HS×ΠtHX对静态特征和时态特征进行映射，得到它们的潜在特征，潜在特征记为hS，h1：T＝es，X1：T；步骤3.2，与嵌入函数相反，TimeGan利用恢复函数r：HS×ΠtHS→S×ΠtX将步骤3.1得到的潜在特征恢复为原来的静态特征和时态特征，结果表示为步骤3.3，生成器在从原始数据中选取的数据的静态特征和时态特征上使用生成函数在潜在空间中生成时间序列数据；步骤3.4，序列鉴别器利用判别函数对步骤3.3生成的时间序列数据鉴别真假；步骤3.5，TimeGan的优化器根据嵌入网络、恢复网络、序列生成器和序列鉴别器中的损失函数优化模型，得到训练好的TimeGan模型。步骤4，利用训练好的TimeGan模型进行扩充数据，得到合成的故障数据样本，将合成的故障数据样本、故障数据样本和正常数据样本合并，得到数据集；步骤5，按照指定比例先将数据集划分为训练集和测试集，之后再对训练集和测试集中的每个数据样本进行归一化处理，最后对训练集和测试集中的每个数据样本进行Harr小波特征提取和时域统计参量特征提取；步骤6，选用PCA对步骤5得到的训练集和测试集的Harr小波特征、时域统计参量特征的特征向量进行特征选择，确定测试样本的特征向量集和训练样本的特征向量集；步骤7，计算测试样本的特征向量与每类训练样本的特征向量的加权欧式距离；步骤8，采用KNN算法确定待分类测试样本的类别。

全文数据：

权利要求：

百度查询： 西安理工大学 基于改进TimeGan模型的小样本数据故障诊断方法

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