[发明专利]一种基于编码输入的生成对抗网络故障检测方法及系统

说明书

本发明公开了一种基于编码输入的生成对抗网络故障检测方法及系统，包括：获取原始正常工况数据集及待测样本；归一化处理所获得的数据分别的得到正常工况标准数据集、待测标准样本；利用正常工况标准数据集通过最小化重构误差训练自编码器模型，得到编码器，训练对抗网络得到生成器和判别器；分别求取正常工况标准数据集、待测标准样本对应的统计量，基于正常工况标准数据集的统计量利用核密度估计方法计算出控制限；基于待测标准样本统计量与控制限绘制控制图并比较判断是否发生故障，完成故障检测。本发明改善了训练过程缓慢的问题，提升了生成对抗网络的训练效果和检测性能，且本方法大大减少了计算成本，降低了检测延时。

技术领域

本发明涉及复杂工业过程建模和故障诊断的技术领域，尤其涉及一种基于编码输入的生成对抗网络故障检测方法及系统。

背景技术

故障检测是通过统计学方法对生产过程中的数据进行定量分析，不仅可以改善产品质量还可以提升过程的安全性，随着生产过程工艺复杂性及自动化程度的提高，过程变量逐渐增多，生产过程数据量也成倍地增加。在这样的背景下，基于过程数据的多变量统计分析故障检测算法被广泛应用于过程监控领域，其中常见的多元统计过程监控方法主要有主元分析法(PCA)、偏最小二乘法(PLS)、独立元分析法(ICA)及k近邻(kNN)故障检测方法。

基于数据的故障检测方法中，建模数据对于故障检测的效果起着决定性作用，传统机器学习方法中的浅层模型往往无法满足过程大数据的解析需求，因此，专家学者提出了不同的深层模型以解决实际复杂问题。其中，生成对抗网络(Generative AdversarialNetwork,GAN)由于其特殊的训练思想及生成能力受到了研究人员的广泛关注，已被应用于图像、视频、文本处理等领域，近几年GAN研究和应用的不断扩展，逐渐应用到了复杂工业过程监控领域。

经典的故障检测方法，比如PCA通过选取方差贡献率大的主元检测故障，易忽略方差贡献率小的变量；基于kNN的故障检测方法假设异常样本较正常工况样本在变量上会存在较大偏差，从而计算距离统计量进行故障检测。上述两种传统算法在故障检测前都存在着先验假设，对故障检测的效果具有一定影响。对此Wang等提出了基于生成对抗网络的异常检测方法，并在手写数据集(National Institute of Standards and Technology,NIST)及TE过程仿真中验证了方法的有效性。基于GAN的故障检测方法采用正常工况数据训练生成对抗网络，根据网络中的生成器及判别器构建统计量进行故障检测，因此不存在对故障产生的先验假设，而是通过判别器从真实样本及虚假样本中提取出的潜隐特征并计算概率判断故障是否发生，更贴合检测过程中故障类型及发生原因未知的背景。但基于GAN的故障检测方法采用经典的生成对抗网络模型，不可避免地存在着训练困难及模式崩溃的问题，为此许多学者从生成对抗网络结构及寻找最佳GAN模型的角度进行了改进。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统GAN故障检测中网络输入包含有效信息少、故障检出率低。

为解决上述技术问题，本发明提供如下技术方案：获取原始正常工况数据集及待测样本；对所述原始正常工况数据集进行最值归一化处理得到正常工况标准数据集，对所述待测样本进行归一化操作得到待测标准样本；利用所述正常工况标准数据集通过最小化重构误差训练自编码器模型，得到编码器，基于所述正常工况标准数据集及所述编码器训练对抗网络得到生成器和判别器；分别求取所述正常工况标准数据集、所述待测标准样本对应的统计量，基于所述正常工况标准数据集的统计量利用核密度估计方法计算出控制限；基于所述待测标准样本统计量与所述控制限绘制控制图并比较判断是否发生故障，完成故障检测。