[发明专利]一种小样本故障诊断方法、装置及存储介质

说明书

本发明涉及一种基于重构对抗网络的小样本故障诊断方法、装置及存储介质，其中方法包括：获取初始工业数据；建立生成对抗网络；对生成对抗网络进行对抗训练；将初始工业数据输入训练完成的生成对抗网络，得到包含新增数据的合成数据训练样本集；基于初始工业数据训练SVM分类器；数据筛选：利用SVM分类器的输出对新增数据进行筛选，基于筛选通过的样本更新合成数据训练样本集；重构SVM：基于更新的合成数据训练样本集进行重构训练；重新进行数据筛选和重构SVM，重复预配置的次数后，得到重构完成的SVM分类器；基于重构完成的SVM分类器对初始工业数据进行诊断，得到故障诊断结果。与现有技术相比，本发明具有在样本数据少的情况下提高分类精度的优点。

技术领域

本发明涉及工业故障诊断领域，尤其是涉及一种基于重构对抗网络的小样本故障诊断方法、装置及存储介质。

背景技术

数据驱动的智能工业故障诊断算法具有重要的研究意义。实际的工业生产过程中，常常面临着各类型故障数据相对数量分布不均衡问题，传统的学习方法以提升整体准确率为目标，对样本个体一视同仁，往往无法及时发现少数类别故障的存在，导致严重的后果。此外该类型故障往往同时面临着数据绝对数量稀少的问题，进一步加大了模型的训练难度，使得该故障特征无法被充分提取。

近年来，基于深度学习的人工智能算法发展迅速，生成对抗网络(GenerativeAdversarial Network，GAN)是一种基于博弈论思想构造的无监督学习模型，在数据生成性能与框架灵活性方面具有极大的研究价值及优化潜力。

生成对抗网络(GAN)是Ian Goodfellow等人与2014年NIPS会议上提出的一种基于博弈论创新的网络架构。其主要思想是通过内部判别器(D)和生成器(G)互相博弈，持续优化，从而达到以假乱真的生成效果。

支持向量机(Support Vector Machine，SVM)是一种常用的监督学习分类器模型，其目标是根据输入的样本数据，寻找最优分类超平面。在模式识别，回归分析等领域有着广泛的应用。

包括SVM在内的传统分类器算法在面临工业不平衡数据时无法做到区别对待，最终会得出一个永远返回正类的模型。这种结果完全忽视故障数据的存在，在实际应用中可能导致严重的后果。

工业故障数据有着维度高，类别多，样本少等特点，很难利用现有对抗生成算法完成数据的有效补充。一维卷积生成对抗网络较为适用于工业数据故障诊断问题，却未考虑样本绝对数量较少，特征信息不足无法支持网络收敛的问题。

发明内容

本发明的目的就是为了提供一种基于重构对抗网络的小样本故障诊断方法、装置及存储介质，解决不平衡数据分类过程中所面临的分类准确率较低、传统分类方法及评价指标不再适用、现有方法忽视故障数据类内间距等问题。

本发明的目的可以通过以下技术方案来实现：

一种基于重构对抗网络的小样本故障诊断方法，包括以下步骤：

获取未标记的初始工业数据；

建立生成对抗网络，所述生成对抗网络包括由反卷积网络构成的生成器和由卷积网络构成的判别器，其中，所述判别器用于辅助生成器生成合成数据；

基于真实工业数据样本和虚拟工业数据样本对生成对抗网络进行对抗训练；

将初始工业数据输入训练完成的生成对抗网络，得到包含新增数据的合成数据训练样本集；

基于初始工业数据训练SVM分类器；

数据筛选：利用SVM分类器的输出对新增数据进行筛选，基于筛选通过的样本更新合成数据训练样本集；

重构SVM：基于更新的合成数据训练样本集对SVM分类器进行重构训练；