[发明专利]基于改进TimeGan模型的小样本数据故障诊断方法

权利要求书

1.一种基于改进TimeGan模型的小样本数据故障诊断方法，其特征在于，具体按照以下步骤实施：

步骤1，读取原始数据，将原始数据分类为正常数据和故障数据；

步骤2，对步骤1中的正常数据、故障数据进行预处理，得到深度学习训练所需的故障数据样本和正常数据样本；

步骤3，采用步骤2得到的故障数据样本对TimeGan进行对抗训练，得到训练好的TimeGan模型；

步骤4，利用训练好的TimeGan模型进行扩充数据，得到合成的故障数据样本，将合成的故障数据样本、故障数据样本和正常数据样本合并，得到数据集；

步骤5，按照指定比例先将数据集划分为训练集和测试集，之后再对训练集和测试集中的每个数据样本进行归一化处理，最后对训练集和测试集中的每个数据样本进行Harr小波特征提取和时域统计参量特征提取；

步骤6，选用PCA对步骤5得到的训练集和测试集的Harr小波特征、时域统计参量特征的特征向量进行特征选择，确定测试样本的特征向量集和训练样本的特征向量集；

步骤7，计算测试样本的特征向量与每类训练样本的特征向量的加权欧式距离；

步骤8，采用KNN算法确定待分类测试样本的类别。

2.根据权利要求1所述的基于改进TimeGan模型的小样本数据故障诊断方法，其特征在于，在所述步骤1中，采用遗传交叉变异的方法对步骤1中的故障数据进行预处理，得到深度学习训练所需的原始故障样本。

3.根据权利要求2所述的基于改进TimeGan模型的小样本数据故障诊断方法，其特征在于，在所述步骤3中：TimeGan由嵌入网络、恢复网络、序列生成器和序列鉴别器，TimeCan中的数据具有静态特征和时态特征，S、X分别表是静态特征和动态特征的向量空间，嵌入网络和恢复网络实现原始向量空间到潜在向量空间的可逆映射，用H_S、H_X分别表示S、X对应的潜在向量空间。

4.根据权利要求3所述的基于改进TimeGan模型的小样本数据故障诊断方法，其特征在于，在所述步骤3中，训练好的TimeGan模型具体为：

步骤3.1，TimeGan利用嵌入函数e：S＝Π_rX→H_S×Π_tH_X对静态特征和时态特征进行映射，得到它们的潜在特征，潜在特征记为h_S,h_1：T＝e(s，X_1：T)；

步骤3.2，与嵌入函数相反，TimeGan利用恢复函数r：H_S×Π_tH_S→S×Π_tX将步骤3.1得到的潜在特征恢复为原来的静态特征和时态特征，结果表示为

步骤3.3，生成器在从原始数据中选取的数据的静态特征和时态特征上使用生成函数在潜在空间中生成时间序列数据；

步骤3.4，序列鉴别器利用判别函数对步骤3.3生成的时间序列数据鉴别真假；

步骤3.5，TimeGan的优化器根据嵌入网络、恢复网络、序列生成器和序列鉴别器中的损失函数优化模型，得到训练好的TimeGan模型。

5.根据权利要求4所述的基于改进TimeGan模型的小样本数据故障诊断方法，其特征在于，在所述步骤8中，采用KNN算法确定待分类测试样本的类别具体为：首先选取一个K值，将步骤7的结果进行升序排列，再寻找距离测试样本最近K个最优训练样本；之后统计K个样本出现的总权重并降序排列，选取权重最高的故障模式，判断此类别对应的故障个数是否唯一，如果不唯一则设置K＝K+1继续重复分类步骤，直到唯一确定待分类样本的类别。