买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：沈阳化工大学

摘要：本发明基于改进辅助分类生成对抗网络模型的小样本工业过程故障诊断方法，涉及一种小样本条件下的工业过程故障诊断方法。首先采集工业生产过程的数据，增强数据特征；其次对数据进行标准化处理，通过引入Wasserstein距离来指导模型缩短源分布与目标分布的差距，并通过谱归一化来防止模型梯度爆炸，最后故障检测阶段，利用训练完成的分类器对采集的新数据进行故障诊断。采用Wasserstein距离作为损失函数，不仅提供了两个分布之间的距离，也提供了两个分布之间转换的方案。该方法相较于较其他方法能够更好的利用有限的数据信息，更好地实现故障诊断，实现了在故障数据较为匮乏的情况下，对工业数据实现有效的信息扩张，提高故障诊断能力。

主权项：1.基于改进ACGAN模型的小样本工业过程故障诊断方法，其特征在于，所述方法基于注意力机制和ACGAN网络模型，将该模型应用于小样本条件下工业故障诊断，包括以下步骤：步骤一：采集工业过程中N个样本数据X∈RN×m，X＝[X1,X2,X3,…XN]，其中m表示数据的变量数，N表示采集的样本总数，选取k长度大小的样本点进行短时傅里叶变换，并依当前位置滑动平移，重叠长度设置为d，短时傅里叶变换公式如1所示： 式中：ft是时域信号，τ是时间变量，ω是频域变量，gt-τ是中心位于τ时刻的时间窗口函数；通过选取合适的窗函数大小，根据公式1将原始数据转化为二维矩阵Mi×j，其维数大小为i×j；步骤二：将经STFT处理后的数据Mi×j进行最大最小值归一化处理，转化后的数据点被限制在[0,1]之间；最大最小值归一化公式如2所示： 其中，Xmin代表步骤1所得的每个二维矩阵Mi×j的最小值，Xmax代表其中的最大值，经公式2之后得到原始训练数据Xtrain；步骤三：随机生成维度为x的高斯噪声，并随机生成相应的类别标签索引，二者数据相加使用全连接神经网络FullyConnectedNeuralNetwork,FC将x维映射至隐层t维，之后经过生成器上采样的过程，最终还原为一个维度为i×j的二维矩阵Xfeke，该二维矩阵是信号的二维时频特征，包含丰富的故障信息；步骤四：将步骤二得到的Xtrain和步骤三得到的Xfake数据进行判别器进行数据类别的分类，和真假样本的判别；步骤五：使用Adam算法根据目标函数与Wasserstein距离进行更新网络参数，保存达到预期检测效果的模型；目标函数如公式34所示，Wasserstein距离如公式5；Ls＝Ε[logPS＝real|Xreal]+Ε[logPS＝fake|Xfake]3Lc＝E[logPC＝c|Xreal+ElogPC＝c|Xfake]4 式中：E代表方差，S代表预测的当前样本信息，real代表真实样本，fake代表是生成器生成的伪样本，Xreal代表当前数据是真实样本，Xfake代表当前数据是生成器生成的伪样本，C代表判别器预测的类别信息，c是真实类别，包括生成的伪标签的类别；Pdata为真实样本分布，Pg为生成器生成伪样本的分布，x为取自真实分布的样本，z为生成样本，γ为Pdata和Pg的联合分布；∏Pdata,Pg表示γ的集合，||x-z||为真实样本与生成样本之间的距离；inf为x,z∈γ取自联合分布期望的下确界；步骤六：故障检测阶段，过程如下：1采集工业过程中的新数据，经STFT处理得到二维时频特征图Xtest；2将经短时傅里叶变换处理后的数据进行最大最小值归一化处理，转化后的数据点被限制在[0,1]之间；3得到的数据进行判别器进行故障类别的判定，即通过该模型对新数据进行故障诊断。

全文数据：

权利要求：

百度查询： 沈阳化工大学 基于改进ACGAN模型的小样本工业过程故障诊断方法