[发明专利]基于TimeGAN模型的智能工厂设备故障诊断方法

说明书

本发明公开了一种基于TimeGAN模型的智能工厂设备故障诊断方法，该方法为：采集智能工厂设备的不平衡时序故障数据集，进行预处理作为原始数据，将其划分为样本量大的故障类别和样本量小的故障类别；用所有原始数据预训练出一个辅助生成的故障分类器；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；将该样本数据与原始数据进行混合，得到平衡后的故障数据集，送入CNN网络进行训练，然后对测试集进行故障诊断。本发明充分考虑了生成样本的准确性、多样性和故障分类的准确度，从而获得了高效准确的智能工厂设备故障诊断结果。

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于TimeGAN模型的智能工厂设备故障诊断方法。

背景技术

智能工厂设备关键部件的异常监测对安全经济运行具有重要意义。及时、准确的故障诊断是避免巨大经济损失和一些不必要人员伤亡的有效手段。由于不需要精确的物理模型和丰富的先验知识，数据驱动的故障诊断方法在智能工厂的异常监测中得到了广泛的应用。对于工业系统的运行，可以通过数据特征提取技术建立故障诊断模型。深度学习是一种有效的数据特征提取方法，它克服了非线性大数据中浅层学习无法很好提取特征的问题。

大多数据驱动的诊断方法都是在假设有大规模和均衡训练的前提下进行，然而，这种假设在工程中通常是不现实的。在工业中，不同健康状态下的训练样本通常是不平衡的。比如旋转机械系统，考虑到成本和安全，它大多在健康状态下工作，而机械系统在故障状态下的运行时间非常短。结果表明，采集到的代表正常状态的样本足够多，但相应的故障数据却远远少于健康样本。此时，正常信号与异常信号之间存在不平衡，由于缺乏故障样本，导致故障识别的准确性下降。目前解决不平衡数据集的技术主要是针对少数样本的过采样技术和多数样本的欠采样技术，这种方法不能彻底挖掘深层特征，信号生成能力不足，不能满足智能故障诊断对训练数据的巨大需求。

发明内容

本发明的目的在于提供一种基于TimeGAN模型的智能工厂设备故障诊断方法，该方法通过生成样本量较少的故障类别，充分考虑生成样本的准确度、多样性和对故障分类的帮助，从而提升故障诊断的精度，实现智能工厂的智能运维。

实现本发明目的的技术解决方案为：一种基于TimeGAN模型的智能工厂设备故障诊断方法，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。

进一步地，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。

进一步地，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。

进一步地，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。