[发明专利]基于自训练半监督生成对抗网络的调压器故障诊断方法

权利要求书

1.基于自训练半监督生成对抗网络的调压器故障诊断方法，其特征在于，所述调压器故障诊断方法包括：

步骤一：通过信号采集设备获取调压器不同状态下的压力信号，所述信号采集设备包括相连的压力传感器与NI数据采集卡；

步骤二：将采集到的样本按照预设比例分为有标签样本集和无标签样本集；

所述压力信号为一维时序数据，利用相同大小的滑动窗口以固定步长分割所述一维时序数据获得样本，再利用二维转换的方式将一维时序数据转换成二维灰度图像样本；按照预设比例将数据集划分成训练集和测试集，其中训练集包含有标签样本和无标签样本，测试集均为无标签样本，其中标签类别包括正常状态、喘振故障、锁闭压力高、出口压力低；

步骤三：构建半监督生成对抗网络模型；

所述半监督生成对抗网络模型包括两个互相对抗的生成器和判别器，所述生成器和判别器主要由卷积层和全连接层组成；

在所述生成器中，输入是服从均值为0、方差为1的100维的高斯噪声，隐藏层有三层转置卷积，输出是大小为32×32的生成样本；在所述判别器中，输入是所述生成样本，输出是样本的类别标签和样本的真伪，且所述无标签样本和有标签样本的输出层对应不同的激活函数；隐藏层方面，所述生成器在三层所述转置卷积后，使用批归一化和LeakyRelu激活函数结构，最后一层输出层的激活函数为Tanh函数；所述判别器在卷积层之后也使用批归一化和LeakyRelu激活函数结构，并添加最大池化层提升特征提取能力，在全连接层之前使用dropout激活函数防止过拟合；所述判别器的隐藏层在进行有监督训练和无监督训练时权值共享、在输出层利用不同的激活函数来分类不同类型的样本；

步骤四：将所述训练集输入半监督生成对抗网络进行训练；

训练时先将所述训练集中的有标签样本输入至所述判别器中进行监督学习，所述判别器的输出层采用SoftMax函数输出预测类别，再与真实的标签计算交叉熵损失然后反向传播优化网络参数；再将所述训练集中的无标签样本和所述生成样本输入至经过预训练后的判别器中进行无监督学习，所述判别器进行特征提取，输出层采用Lamda激活函数输出样本是否为真实样本的概率值，然后再利用无监督部分的损失函数反向传播优化所述判别器与生成器的网络参数，将参数更新后的判别器作为初始分类器；

步骤五：利用所述训练集中的无标签样本对所述初始分类器进行局部密度邻域自训练；

在局部密度邻域中，首先定义局部密度ρ_i：

其中，|NaN(x_i)|_l是样本x_i的自然邻域样本中标签样本的数量，NaN(x_i)指的是样本x_i的自然邻域样本集合，dist(x_i，x_j)指的是样本x_i与样本x_j的欧氏距离；

定义预设密度ρ_c：

其中d_c为预设的截止距离；

获取所述训练集中的有标签样本和无标签样本的自然邻域；

计算所述有标签样本中每一个样本与其自然邻域内的其他样本之间的局部密度ρ_i，此时样本x_j包括有标签样本和无标签样本；

提取所述有标签样本中每一个样本的自然邻域内的无标签样本、且所述有标签样本和无标签样本之间的局部密度ρ_i大于所述预设密度ρ_c，将符合要求的无标签样本重组为新的无标签样本；

将所述新的无标签样本按批次输入到所述初始分类器中进行标签预测，将所述SoftMax函数输出的类别置信度与预定置信水平值进行比较，若输出的类别的置信度大于等于预定置信水平值，则将该样本贴上对应的伪标签并添加到所述有标签样本中，且所述满足置信度的样本不从所述新的无标签样本中取出；

利用扩充样本后的有标签样本重新训练所述半监督生成对抗网络得到参数更新后的判别器作为初始分类器，重新执行所述将所述新的无标签样本按批次输入到所述初始分类器中进行标签预测，直到所述新的无标签样本中的所有样本都被贴上了伪标签，在迭代过程中对样本伪标签进行修正，自训练结束后得到最终的分类器；

步骤六：采用最终训练好的分类器构建调压器故障诊断模型，利用所述测试集对所述调压器故障诊断模型进行测试，得到调压器故障诊断准确率指标；通过所述信号采集设备实时采集所述调压器的故障数据，再进行二维转换后输入到所述调压器故障诊断模型中进行在线故障诊断，得到诊断结果；

在所述步骤四中，由于在所述半监督生成对抗网络中神经网络是通过随机梯度下降算法来反向传播修正网络参数，而所述随机梯度下降算法会出现局部最优或收敛速度缓慢的问题；Adam算法是基于梯度下降的优化算法，通过使用动量来限制迭代参数的学习步长从而改善传统梯度下降中存在的问题，促进超参数动态调整；因此，训练过程中网络参数按照如下规则进行更新：

其中，t表示迭代时间步数，α为学习率，m_t和μ_t分别表示第t次梯度下降时第一时刻和第二时刻的偏差矫正估计，常数ε＝10^-8，⊙指的是逐元素相乘运算符，β₁、β₂是矩估计指数衰减率，θ表示模型参数，表示梯度运算符号，g_t表示目标函数f_t(θ_t-1)的梯度。