[发明专利]基于TimeGAN模型的智能工厂设备故障诊断方法

权利要求书

1.一种基于TimeGAN模型的智能工厂设备故障诊断方法，其特征在于，包括以下步骤：

步骤1、采集智能工厂设备的不平衡时序故障数据集，并进行预处理作为原始数据，根据原始数据划分样本量大的故障类别和样本量小的故障类别；

步骤2、用所有原始数据预训练出一个辅助生成的故障分类器；

步骤3、对样本量小的故障类别所对应数据进行处理得到样本集，将样本集划分为训练集和测试集，训练集送入TimeGAN模型进行训练，生成足够平衡原始数据的样本数据；

步骤4、将生成的样本数据与原始数据进行混合，得到平衡后的故障数据集；

步骤5、将平衡后的故障数据集送入CNN网络进行训练；

步骤6、用训练后的CNN网络对测试集进行故障诊断。

2.根据权利要求1所述的基于TimeGAN模型的智能工厂设备故障诊断方法，其特征在于，智能工厂设备包括控制器、工业机器人、伺服电动机、传感器、变频器、电磁阀、工业相机、控制柜。

3.根据权利要求1所述的基于TimeGAN模型的智能工厂设备故障诊断方法，其特征在于，步骤1中，对不平衡时序故障数据集进行包括归一化的预处理。

4.根据权利要求1所述的基于TimeGAN模型的智能工厂设备故障诊断方法，其特征在于，步骤2中，用所有原始数据训练CNN网络作为故障分类器，CNN网络的构成为：输入层、第一卷积层3*3*32、第一池化层2*2、第二卷积层3*3*64、第二池化层2*2、第三卷积层3*3*128、第三池化层2*2、全连接层2048*1024、输出层，其中输出层激活函数为sigmoid。

5.根据权利要求1所述的基于TimeGAN模型的智能工厂设备故障诊断方法，其特征在于，步骤3中，对于样本量小的故障类别，取一个滑动窗口，设定步长后沿着时间轴重叠采样，得到时间切片数据，并在进行TimeGAN模型生成前提前划分出最后用于故障诊断的测试集，其余为训练集。

6.根据权利要求1所述的基于TimeGAN模型的智能工厂设备故障诊断方法，其特征在于，步骤3中，将样本量小的故障类别所对应数据，分类别送入TimeGAN模型进行训练。

7.根据权利要求1所述的基于TimeGAN模型的智能工厂设备故障诊断方法，其特征在于，步骤3中，TimeGAN模型包括嵌入网络、恢复网络、生成器、辨别器，其中：

所述嵌入网络用于学习样本的潜在特征；

恢复网络用于将潜在特征还原为原始样本；

生成器用于生成分布接近原始样本的潜在特征，并用恢复网络还原为分布接近原始样本的生成样本送入辨别器和故障分类器中；

辨别器用于判断样本是原始样本还是生成样本；

所述嵌入网络、恢复网络、生成器、辨别器均基于LSTM网络实现。

8.根据权利要求7所述的基于TimeGAN模型的智能工厂设备故障诊断方法，其特征在于，通过辨别器判别概率的生成样本被送入步骤2中训练好的故障分类器中，输出生成样本的分类概率，如果属于对应原始故障类别的概率大于所有概率的中位数，则认为样本通过了故障分类器的判定，生成样本属于它原始故障类别并加入样本池。