[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

说明书

本发明公开了基于自训练半监督生成对抗网络的调压器故障诊断方法，涉及故障诊断技术领域，该方法包括：将调压器一维压力信号利用重叠采样和二维转换得到灰度图像样本；设计SGAN模型并进行初始训练；采用自训练算法使用训练好的初始分类器预测无标签样本的类别标签，将满足要求的样本采用重复标记方式扩充到有标签样本集中重新训练SGAN，保存最终的分类器；利用分类器构建调压器故障诊断模型进行在线诊断。本发明利用含有生成成分的分类器作为自训练算法的初始分类器提升了基础分类准确性能，提高了半监督故障诊断对无标签样本的特征提取能力，利用SoftMax函数提升判别器对样本的分类类别特征提取能力，实现高效、智能的故障诊断。

技术领域

本发明涉及故障诊断技术领域，尤其是基于自训练半监督生成对抗网络的调压器故障诊断方法。

背景技术

在燃气输送管网中调压器是其中极其重要的部件之一，因实际工况下内部零部件如薄膜、弹簧、阀口垫、阀筒等常常会受到磨损导致使用寿命下降引发故障，此时，一种高效、智能的故障诊断方法显得尤为重要。

目前，在调压器故障诊断领域由于设备和仪器技术的发展，大量的过程数据被记录和存储，基于数据驱动故障诊断方法成为主流，例如支持向量机(SVM)、神经网络等。这些方法虽然在调压器故障诊断上都取得了重要的成果，但是目前的调压器故障诊断的方法大多数属于监督学习，训练过程需要大量有标签数据而在实际情况中，标注样本需要丰富的专家经验，是一项既耗时又耗力的工作。因此，当大量数据为无标签数据时监督学习的方法就难以在调压器故障诊断上发挥作用。

发明内容

本发明人针对上述问题及技术需求，提出了基于自训练半监督生成对抗网络的调压器故障诊断方法，本发明的技术方案如下：

基于自训练半监督生成对抗网络的调压器故障诊断方法，包括如下步骤：

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，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；

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；

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，生成器和判别器主要由卷积层和全连接层组成；

在生成器中，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；在判别器中，输入是生成样本，输出是样本的类别标签和样本的真伪，且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，生成器在三层转置卷积后，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；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；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：将训练集输入半监督生成对抗网络进行训练；

训练时先将训练集中的有标签样本输入至判别器中进行监督学习，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；再将训练集中的无标签样本和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，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；