[发明专利]一种生产线故障检测方法

说明书

本发明涉及一种生产线故障检测方法，包括：获得随机噪声和原始训练数据；利用随机噪声和原始训练数据训练对抗生成网络，训练强化学习网络；得到模拟数据，并将筛选结果反馈至对抗生成网络；利用模拟数据和原始训练数据训练梯度上升决策树，得到生产线故障分类；利用测试集测试对抗生成网络、强化学习网络和梯度上升决策树，满足设定条件时得到有效对抗生成网络、有效强化学习网络和有效梯度上升决策树；利用现场数据、有效对抗生成网络、有效强化学习网络和有效梯度上升决策树进行生产线故障检测。与现有技术相比，实用性强，可提高机器的使用寿命和产量。

技术领域

本发明涉及工业生产线领域，尤其是涉及一种生产线故障检测方法。

背景技术

在工业领域，为了增强设备的可用性，提高机器的使用寿命，降低因机器故障原因导致产量下降的概率，机器运行状态的监控越来越受到工业界的重视。如何减少设备维修的费用，缩短设备故障反应时间，成为工业界急需解决的技术瓶颈问题之一。

随着信息化时代，人工智能技术飞速发展，物联网、云计算、大数据、人工智能等技术的逐步应用，使得传统工业界朝向自动化智能化转型。

因此基于数据的故障诊断技术应运而生，核心思想是通过对含有故障的信号，利用信号处理技术，找出和故障有关的特征，利用特征对设备进行预测与判断。目前，已有的技术包括能量谱包络分析方法，时频分析方法，SVM方法，神经网络方法等。

然而在工业生产线中，故障数据是十分稀少的，对于生产线上严重不均衡数据对基于数据的故障诊断技术提出了严峻的考验。国内外也在努力研究如何克服不均衡数据集对模型产生的影响。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种生产线故障检测方法。

本发明的目的可以通过以下技术方案来实现：

一种生产线故障检测方法，该方法包括以下步骤：

步骤S1：获得随机噪声和原始训练数据；

步骤S2：利用随机噪声和原始训练数据训练对抗生成网络，对抗生成网络的生成数据和原始训练数据成对进入强化学习网络，训练强化学习网络；

步骤S3：强化学习网络根据原始训练数据对生成数据进行筛选，得到模拟数据，并将筛选结果反馈至对抗生成网络；

步骤S4：利用模拟数据和原始训练数据训练梯度上升决策树，得到生产线故障分类；

步骤S5：利用测试集测试对抗生成网络、强化学习网络和梯度上升决策树，满足设定条件时得到有效对抗生成网络、有效强化学习网络和有效梯度上升决策树；

步骤S6：利用现场数据、有效对抗生成网络、有效强化学习网络和有效梯度上升决策树进行生产线故障检测。

随机噪声为正态分布的随机数。

利用随机噪声与原始训练数据训练对抗生成网络的过程包括：

对抗生成网络的生成器利用随机噪声得到生成数据；

对抗生成网络的鉴别器利用原始训练数据和对应标签对生成数据进行鉴别；

满足对抗生成网络预设条件时停止训练。

训练强化学习网络的过程包括：

强化学习网络的卷积特征提取器提取生成数据-原始训练数据对之间的特征；

计算生成数据-原始训练数据对的相似度的多维描述，对相似度进行拼接后进行强化学习网络训练；

满足强化学习网络预设条件时停止训练。