CN111240279B - 一种面向工业不平衡数据的对抗增强故障分类方法 - Google Patents
一种面向工业不平衡数据的对抗增强故障分类方法 Download PDFInfo
- Publication number
- CN111240279B CN111240279B CN201911369696.4A CN201911369696A CN111240279B CN 111240279 B CN111240279 B CN 111240279B CN 201911369696 A CN201911369696 A CN 201911369696A CN 111240279 B CN111240279 B CN 111240279B
- Authority
- CN
- China
- Prior art keywords
- data
- generator
- generated
- samples
- small sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000012886 linear function Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 239000000498 cooling water Substances 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31359—Object oriented model for fault, quality control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向工业不平衡数据的对抗增强故障分类方法，属于工业过程故障诊断和分类领域。该方法通过多分类判别器和小样本生成器之间的对抗训练，小样本生成器分别对每一类不平衡的小样本定向地生成数据，并通过基于主元空间马氏距离的数据筛选，得到与真实数据更接近的生成数据。建立了补充数据库的动态表，利用定量的更新样本集对真实数据进行补充，得到新的数据集，解决了工业数据的不平衡性。该分类方法将生成器和多分类判别器的训练过程耦合到一起，更有效地利用了计算资源。
Description
技术领域
本发明属于工业过程故障诊断和分类领域，具体地涉及一种面向工业不平衡数据的对抗增强故障分类方法。
背景技术
随着现代工业的发展，工业数据大量积累，为数据驱动的过程分析提供了基础。其中，故障诊断问题是工业数据的典型应用。许多数据驱动的方法，如支持向量机，反向传播神经网络等算法已经被广泛地用于一些工业过程中的故障分类。
但是由于工业中发生的故障情况很少，因此采集到的故障数据也非常有限。相比于数量庞大的非故障数据，即正常情况下的数据，故障数据所占的比例很低。此外，不同概率的故障也存在数量的不平衡。这给基于平衡数据分布的算法分类带来了困难。所以工业中的故障诊断实质上是不平衡数据的多分类问题，亟待解决。
从数据层面去补充数据，是解决不平衡问题最直接的方法。生成对抗网络是目前一种具有前景的生成模型，它有生成器和判别器构成。通过生成器和判别器之间的对抗训练，生成器能够生成骗过判别器的数据。因此，生成对抗网络生成的数据能够被应用于小样本的补充。但是生成对抗网络的训练过程是极不稳定的，容易产生偏离真实数据的噪点或是发生模式崩溃问题，影响生成数据的真实性。且生成对抗网络和分类器的训练是独立的两个过程，增加了模型的复杂度和计算资源的浪费。
发明内容
针对工业不平衡数据的分类问题，本发明提出了一种面向工业不平衡数据的对抗增强故障分类方法，利用小样本生成器和多分类判别器的对抗生成网络结构，实现了精确分类。
本发明的目的是通过如下技术方案实现的：一种面向工业不平衡数据的对抗增强故障分类方法，具体包括以下步骤：
(1)采集历史工业过程中的离线数据作为原始数据集X，X中包含m种大样本数据Xbig与n种小样本数据Xsmall，即X＝{Xbig，Xsmall}＝{(xi，yi)}，其中yi∈{1，2，...，m+n}，i表示样本个数，且m种大样本的样本数相同，而小样本数据的样本数少于大样本；对原始数据集X进行预处理，将其通过线性函数将原始数据线性化的方法转换到[0，1]范围，得到训练数据集
(2)数据生成阶段，具体包括如下子步骤：
(2.1)小样本生成器为不平衡数据的n种小样本数据构建n个生成器的结构，每个所述小样本生成器均为结构相同的全连接神经网络，其输入为高斯噪音z，维数为p；其输出为生成数据的特征，维数为q；n个生成器之间相互独立，构成并行的多生成器结构；在高斯噪声z输入生成器之前，先将每个小样本生成器网络的超参数进行初始化；
(2.2)通过随机函数生成均值为0、方差为0.1的高斯噪音z。将高斯噪音z输入所述小样本生成器，生成器输出n组生成数据G(z)＝{G1，G2，…，Gn}；
(3)数据筛选阶段，具体包括如下步骤：
(3.1)对所述训练数据集
做主元分析，得到参考主元矩阵T1，分别将所述生成数据G(z)投影到参考主元空间得到对应主元矩阵T2；参考主元矩阵T1通过累计方差百分比达到98％，确定参考主元矩阵T1中的主元个数；对应主元矩阵T2中的主元个数与参考主元矩阵T1中的主元个数相等。
(3.2)分别对所述参考主元矩阵T1内的小样本数据质心求马氏距离MD1max的最大值，得到不同类别下的最远距离
通过所述MD1max确定数据筛选的阈值上限值为kMD1max，k为筛选系数。
(3.3)对所述对应主元矩阵T2与参考主元矩阵T1所对应的小样本质心求马氏距离
将MD2与kMD1max进行比较，若MD2＜kMD1max，则认为所述生成数据G(z)接近训练数据集
为有效点Gvalid；若MD2＞kMD1max，此时认为所述生成数据G偏离训练数据集
为离群噪点Ginvalid。
(3.4)将有效点Gvalid从所述生成数据G(z)集中提取出来，并给它们相应的类别标签y，去除离群噪点Ginvalid。
(4)补充数据库的动态表阶段，具体包括如下步骤：
(4.1)将所述有效点Gvalid导入补充数据库的动态表L中，其中，所述动态表L为每个小样本类别的生成数据分配的一个样本序列，即共a个样本序列；补充数据库中的每条样本序列长度加上对应类别小样本的真实样本数等于每类大样本的真实样本数；
(4.2)当生成样本的累计个数小于序列长度时，在迭代过程中持续将生成样本写入补充数据库的动态表L中；当生成样本的累计个数大于或等于样本序列的长度时，将末尾的生成数据淘汰，写入新的生成数据，得到更新的补充数据集X′。
(5)分类器训练阶段，具体包括如下步骤：
(5.1)构建一个由多隐层和softmax网络层结合的神经网络多分类判别器D(x)，输入为p维数据x，输出为m+n+1个的样本类别标签y；其中，m项为大样本类别标签，n项为小样本类别标签，第m+n+1项为生成伪数据标签；
(5.2)将所述训练数据集
和补充数据集X′混合，并作为真实数据x～Pdata，将生成数据表示为x～PG，将x输入多分类判别器，得到softmax输出对应每个类别的概率值p(y|x)。
(5.3)构建分类判别器的损失函数：
(5.4)通过误差反向传播算法更新网络参数，优化分类判别器模型，直至判别器的损失函数收敛；
(6)生成器训练阶段，具体包括如下步骤：
(6.1)为小样本生成器内的n个独立的生成器分别构建损失函数，其中第i个生成器的损失函数为：
(6.2)通过误差反向传播算法更新网络参数，优化生成器模型，直至生成的数据能够骗过判别器的真伪判别，即生成器损失函数收敛。
(6.3)重复步骤(2.1)-(6.2)，直至所述补充数据集的动态表对应的每一个样本序列被填满，完成对对抗增强故障分类器的训练。
(7)当有新的数据需要对其进行故障分类时，将该数据输入到训练好的对抗增强故障分类器中，将softmax网络层的y＝m+n+1项的概率忽略，求取每个故障类别的后验概率，根据最大后验概率，将该数据与该类别进行匹配，实现该数据的故障分类。
与现有技术相比，本发明具有如下有益效果：通过上述过程的不断迭代，生成器生成的数据逐渐趋近真实样本，补充数据集的动态表对应的样本序列被生成数据更新，小类别通过生成数据的补充消除了原有数据集的不平衡性。同时，通过数据筛选将生成器的生成数据中的高质量数据保留了下来，进一步提升了分类器的性能。本发明提出的对抗增强分类方法是一种端到端的模型，是一种更为方便的利用生成数据的数据增强方法。
附图说明
图1是一种面向工业不平衡数据的对抗增强故障分类器的训练流程图；
图2是Tennessee Eastman(TE)过程流程图；
图3是对抗增强故障分类器和其他过采样法的分类结果对比。
具体实施方式
下面结合附图对本发明基于一种工业不平衡数据的对抗增强故障分类方法作进一步的详述。
本发明采用的对抗增强故障分类器从结构上分四个部分，第一部分为小样本生成器：由n个单生成器组成，每个单生成器对应每一种需要补充数据的小样本类型，第二部分为数据筛选器：基于主元空间的马氏距离对生成数据进行筛选，第三部分为补充数据库的动态表，定量地储存筛选通过的数据，并与真实数据进行混合，第四部分是多分类判别器：由多隐层神经网络和softmax网络层结合而成，其中神经网络的末层和softmax网络层的输出为m+n+1项，其中m为大样本类数，n为小样本类数。
一种面向工业不平衡数据的对抗增强故障分类方法，具体包括以下步骤：
(1)采集历史工业过程中的离线数据作为原始数据集X，X中包含m种大样本数据Xbig与n种小样本数据Xsmall，即X＝{Xbig，Xsmall}＝{(xi，yi)}，其中yi∈{1，2，...，m+n}，i表示样本个数，且m种大样本的样本数相同，而小样本数据的样本数少于大样本；对原始数据集X进行预处理，将其通过线性函数将原始数据线性化的方法转换到[0，1]范围，得到训练数据集
所述的对抗增强故障分类器的训练是一个博弈对抗的过程，需要进行循环迭代。一个迭代周期可以分为5个阶段，具体流程如图1所示：
(2)数据生成阶段，具体包括如下子步骤：
(2.1)小样本生成器为不平衡数据的n种小样本数据构建n个生成器的结构，每个所述小样本生成器均为结构相同的全连接神经网络，其输入为高斯噪音z，维数为p；其输出为生成数据的特征，维数为q；n个生成器之间相互独立，构成并行的多生成器结构；在高斯噪声z输入生成器之前，先将每个小样本生成器网络的超参数进行初始化；
(2.2)通过随机函数生成均值为0、方差为0.1的高斯噪音z。将高斯噪音z输入所述小样本生成器，生成器输出n组生成数据G(z)＝{G1，G2，…，Gn}；
(3)数据筛选阶段，具体包括如下步骤：
(3.1)对所述训练数据集
做主元分析，得到参考主元矩阵T1，分别将所述生成数据G(z)投影到参考主元空间得到对应主元矩阵T2；参考主元矩阵T1通过累计方差百分比达到98％，确定参考主元矩阵T1中的主元个数；对应主元矩阵T2中的主元个数与参考主元矩阵T1中的主元个数相等。
(3.2)分别对所述参考主元矩阵T1内的小样本数据质心求马氏距离MD1max的最大值，得到不同类别下的最远距离
通过所述MD1max确定数据筛选的阈值上限值为kMD1max，k为筛选系数。
(3.3)对所述对应主元矩阵T2与参考主元矩阵T1所对应的小样本质心求马氏距离
将MD2与kMD1max进行比较，若
则认为所述生成数据G(z)接近训练数据集
为有效点Gvalid；若
此时认为所述生成数据G偏离训练数据集
为离群噪点Ginvalid。
(3.4)将有效点Gvalid从所述生成数据G(z)集中提取出来，并给它们相应的类别标签y，去除离群噪点Ginvalid。
(4)补充数据库的动态表阶段，具体包括如下步骤：
(4.1)将所述有效点Gvalid导入补充数据库的动态表L中，其中，所述动态表L为每个小样本类别的生成数据分配的一个样本序列，即共a个样本序列；补充数据库中的每条样本序列长度加上对应类别小样本的真实样本数等于每类大样本的真实样本数；
(4.2)当生成样本的累计个数小于序列长度时，在迭代过程中持续将生成样本写入补充数据库的动态表L中；当生成样本的累计个数大于或等于样本序列的长度时，将末尾的生成数据淘汰，写入新的生成数据，得到更新的补充数据集X′。
(5)分类器训练阶段，具体包括如下步骤：
(5.1)构建一个由多隐层和softmax网络层结合的神经网络多分类判别器D(x)，输入为p维数据x，输出为m+n+1个的样本类别标签y；其中，m项为大样本类别标签，n项为小样本类别标签，第m+n+1项为生成伪数据标签；
(5.2)将所述训练数据集
和补充数据集X′混合，并作为真实数据x～Pdata，将生成数据表示为x～PG，将x输入多分类判别器，得到softmax输出对应每个类别的概率值p(y|x)。
(5.3)构建分类判别器的损失函数：
其中
中的x来自n个生成器。
(5.4)通过误差反向传播算法更新网络参数，优化分类判别器模型，直至判别器的损失函数收敛；
(6)生成器训练阶段，具体包括如下步骤：
(6.1)为小样本生成器内的n个独立的生成器分别构建损失函数，其中第i个生成器的损失函数为：
(6.2)通过误差反向传播算法更新网络参数，优化生成器模型，直至生成的数据能够骗过判别器的真伪判别，即生成器损失函数收敛。
(6.3)重复步骤(2.1)-(6.2)，直至所述补充数据集的动态表对应的每一个样本序列被填满，完成对对抗增强故障分类器的训练。通过上述过程的不断迭代，生成器生成的数据逐渐趋近真实样本，补充数据集的动态表对应的样本序列被生成数据更新，数据集的不平衡性通过有效的生成数据补充得到解决，多分类判别器在对抗和训练中，提升了分类性能。
(7)当有新的数据需要对其进行故障分类时，将该数据输入至训练好的对抗增强故障分类器中，将softmax网络层的y＝m+n+1项的概率忽略，求取每个故障类别的后验概率，根据最大后验概率，将该数据与该类别进行匹配，实现该数据的故障分类。
实施例
以下结合一个具体的TE过程的例子来说明工业不平衡数据的对抗增强故障分类判别器的性能。TE过程是故障诊断与故障分类领域常用的标准数据集，整个数据集包括53个过程变量，其工艺流程如图2所示。该流程由气液分离塔，连续搅拌式反应釜，分凝器，离心式压缩机，再沸器等5个操作单元组成，该过程可以由多个代数和微分方程来表示，非线性和强耦合性是该过程传感数据的主要特点。
TE过程设置21类故障，在这21类故障中，包括16类已知故障，5类未知故障，故障的种类包括流量的阶跃变化、缓慢斜坡增大、阀门的粘滞等等，包含典型的非线性故障和动态性故障，本实施例中选择了正常数据以及其中的五种故障状态进行研究，不同状态的介绍及相应比例如表1所示。
表1：本实施例的故障列表
| 编号 | 类型 | 状态描述 | 数量 |
| 0 | 正常 | 无 | 1000 |
| 1 | 阶跃故障 | A/C进料流量比变化，组分B含量保持不变(流4) | 50 |
| 2 | 阶跃故障 | 组分B含量发生变化，A/C进料流量比不变(流4) | 50 |
| 3 | 阶跃故障 | 物料A损失(流1) | 50 |
| 4 | 随机变量故障 | 冷凝器冷却水入口温度发生变化 | 20 |
| 5 | 未知故障 | 未知 | 20 |
本实施例一共选取了其中16个变量进行分析，如表2所示。
表2：本实施例的变量列表
| 编号 | 测量变量 | 编号 | 测量变量 |
| 1 | A进料量 | 9 | 产品分离器温度 |
| 2 | D进料量 | 10 | 产品分类器湿度 |
| 3 | E进料量 | 11 | 产品分离器塔底流量 |
| 4 | 总进料量 | 12 | 气提器压力 |
| 5 | 再循环流量 | 13 | 汽提塔温度 |
| 6 | 反应器进料 | 14 | 气提器流量 |
| 7 | 反应器温度 | 15 | 反应器冷却水出口温度 |
| 8 | 排放速度 | 16 | 分离器冷却水出口温度 |
在本实施例中，小样本生成器的生成器个数为5，每个生成器的隐层个数为2，隐层节点数分别为32、64，采用的优化器为ADAM，学习率为0.01。多分类判别器的隐层个数为2，隐层节点数分别为100、200，分类判别器采用优化器SGD，学习0.1。每次选取一个批次数据进行训练，批次大小为60，每个周期遍历所有样本，共迭代100个周期。
选取每种状态下100个样本作为测试数据。图3为对抗增强判别器和常见的数据过采样方法结合神经网络分类器的分类结果(分类准确率)进行统计并作进一步对比，从图中可以看出，本方法比SMOTE+BPNN，SMOTEENN+SMOTE方法有更高的分类准确率，证明了本方法的优越性。
Claims (1)
1.一种面向工业不平衡数据的对抗增强故障分类方法，其特征在于，具体包括以下步骤：
(1)采集历史工业过程中的离线数据作为原始数据集X，X中包含m种大样本数据Xbig与n种小样本数据Xsmall，即X＝{Xbig，Xsmall}＝{(xi，yi)}，其中yi∈{1，2，...，m+n}，i表示样本个数，且m种大样本的样本数相同，而小样本数据的样本数少于大样本；对原始数据集X进行预处理，将其通过线性函数将原始数据线性化的方法转换到[0，1]范围，得到训练数据集
(2)数据生成阶段，具体包括如下子步骤：
(2.1)小样本生成器为不平衡数据的n种小样本数据构建n个生成器的结构，每个所述小样本生成器均为结构相同的全连接神经网络，其输入为高斯噪音z，维数为p；其输出为生成数据的特征，维数为q；n个生成器之间相互独立，构成并行的多生成器结构；在高斯噪声z输入生成器之前，先将每个小样本生成器网络的超参数进行初始化；
(2.2)通过随机函数生成均值为0、方差为0.1的高斯噪音z；将高斯噪音z输入所述小样本生成器，生成器输出n组生成数据G(z)＝{G1，G2，…，Gn}；
(3)数据筛选阶段，具体包括如下步骤：
(3.1)对所述训练数据集
做主元分析，得到参考主元矩阵T1，分别将所述生成数据G(z)投影到参考主元空间得到对应主元矩阵T2；参考主元矩阵T1通过累计方差百分比达到98％，确定参考主元矩阵T1中的主元个数；对应主元矩阵T2中的主元个数与参考主元矩阵T1中的主元个数相等；
(3.2)分别对所述参考主元矩阵T1内的小样本数据质心求马氏距离MD1max的最大值，得到不同类别下的最远距离
通过所述MD1max确定数据筛选的阈值上限值为kMD1max，k为筛选系数；
(3.3)对所述对应主元矩阵T2与参考主元矩阵T1所对应的小样本质心求马氏距离
将MD2与kMD1max进行比较，若
则认为所述生成数据G(z)接近训练数据集
为有效点Gvalid；若
此时认为所述生成数据G(z)偏离训练数据集
为离群噪点Ginvalid；
(3.4)将有效点Gvalid从所述生成数据G(z)集中提取出来，并给它们相应的类别标签y，去除离群噪点Ginvalid；
(4)补充数据库的动态表阶段，具体包括如下步骤：
(4.1)将所述有效点Gvalid导入补充数据库的动态表L中，其中，所述动态表L为每个小样本类别的生成数据分配的一个样本序列，即共a个样本序列；补充数据库中的每条样本序列长度加上对应类别小样本的真实样本数等于每类大样本的真实样本数；
(4.2)当生成样本的累计个数小于序列长度时，在迭代过程中持续将生成样本写入补充数据库的动态表L中；当生成样本的累计个数大于或等于样本序列的长度时，将末尾的生成数据淘汰，写入新的生成数据，得到更新的补充数据集X′；
(5)分类器训练阶段，具体包括如下步骤：
(5.1)构建一个由多隐层和softmax网络层结合的神经网络多分类判别器D(x)，输入为p维数据x，输出为m+n+1个的样本类别标签y；其中，m项为大样本类别标签，n项为小样本类别标签，第m+n+1项为生成伪数据标签；
(5.2)将所述训练数据集
和补充数据集X′混合，并作为真实数据x～Pdata，将生成数据表示为x～PG，将x输入多分类判别器，得到softmax输出对应每个类别的概率值p(y|x)；
(5.3)构建分类判别器的损失函数：
(5.4)通过误差反向传播算法更新网络参数，优化分类判别器模型，直至判别器的损失函数收敛；
(6)生成器训练阶段，具体包括如下步骤：
(6.1)为小样本生成器内的n个独立的生成器分别构建损失函数，其中第i个生成器的损失函数为：
(6.2)通过误差反向传播算法更新网络参数，优化生成器模型，直至生成的数据能够骗过判别器的真伪判别，即生成器损失函数收敛；
(6.3)重复步骤(2.1)-(6.2)，直至所述补充数据集的动态表对应的每一个样本序列被填满，完成对对抗增强故障分类器的训练；
(7)当有新的数据需要对其进行故障分类时，将该数据输入到训练好的对抗增强故障分类器中，将softmax网络层的y＝m+n+1项的概率忽略，求取每个故障类别的后验概率，根据最大后验概率，将该数据与该类别进行匹配，实现该数据的故障分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911369696.4A CN111240279B (zh) | 2019-12-26 | 2019-12-26 | 一种面向工业不平衡数据的对抗增强故障分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911369696.4A CN111240279B (zh) | 2019-12-26 | 2019-12-26 | 一种面向工业不平衡数据的对抗增强故障分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111240279A CN111240279A (zh) | 2020-06-05 |
| CN111240279B true CN111240279B (zh) | 2021-04-06 |
Family
ID=70874084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911369696.4A Active CN111240279B (zh) | 2019-12-26 | 2019-12-26 | 一种面向工业不平衡数据的对抗增强故障分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111240279B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112328588B (zh) * | 2020-11-27 | 2022-07-15 | 哈尔滨工程大学 | 一种工业故障诊断非平衡时序数据扩充方法 |
| CN114881096A (zh) * | 2021-02-05 | 2022-08-09 | 华为技术有限公司 | 多标签的类均衡方法及其装置 |
| CN117932457B (zh) * | 2024-03-22 | 2024-05-28 | 南京信息工程大学 | 一种基于错误分类的模型指纹识别方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190665A (zh) * | 2018-07-30 | 2019-01-11 | 国网上海市电力公司 | 一种基于半监督生成对抗网络的通用图像分类方法和装置 |
| CN109977094A (zh) * | 2019-01-30 | 2019-07-05 | 中南大学 | 一种用于结构化数据的半监督学习的方法 |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6882992B1 (en) * | 1999-09-02 | 2005-04-19 | Paul J. Werbos | Neural networks for intelligent control |
| JP4312930B2 (ja) * | 2000-06-09 | 2009-08-12 | 富士重工業株式会社 | 自動車の故障診断装置 |
| DE10349094A1 (de) * | 2003-10-22 | 2005-05-25 | Rieter Ingolstadt Spinnereimaschinenbau Ag | Textilmaschine und Verfahren zur Verbesserung deren Produktionsablaufs |
| US20080010531A1 (en) * | 2006-06-12 | 2008-01-10 | Mks Instruments, Inc. | Classifying faults associated with a manufacturing process |
| US8983882B2 (en) * | 2006-08-17 | 2015-03-17 | The United States Of America As Represented By The Administrator Of The National Aeronautics Space Administration | Autonomic and apoptopic systems in computing, robotics, and security |
| CN102254177B (zh) * | 2011-04-22 | 2013-06-05 | 哈尔滨工程大学 | 一种不均衡数据svm轴承故障检测方法 |
| TWI648609B (zh) * | 2013-06-07 | 2019-01-21 | 美商科學設計股份有限公司 | 程序監控系統及方法 |
| US10824120B2 (en) * | 2015-03-11 | 2020-11-03 | Siemens Industry, Inc. | Diagnostics in building automation |
| US10732621B2 (en) * | 2016-05-09 | 2020-08-04 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for process adaptation in an internet of things downstream oil and gas environment |
| CN107239789A (zh) * | 2017-05-09 | 2017-10-10 | 浙江大学 | 一种基于k‑means的不平衡数据工业故障分类方法 |
| CN107657274A (zh) * | 2017-09-20 | 2018-02-02 | 浙江大学 | 一种基于k‑means的二叉SVM‑tree不平衡数据工业故障分类方法 |
| CN107884706B (zh) * | 2017-11-09 | 2020-04-07 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
| CN108875771B (zh) * | 2018-03-30 | 2020-04-10 | 浙江大学 | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 |
| TWI660322B (zh) * | 2018-05-17 | 2019-05-21 | 國立成功大學 | 考慮機台交互作用之辨識良率損失原因的系統與方法 |
| CN109062177A (zh) * | 2018-06-29 | 2018-12-21 | 无锡易通精密机械股份有限公司 | 一种基于神经网络的机械设备故障诊断方法与*** |
| CN109858352B (zh) * | 2018-12-26 | 2020-09-18 | 华中科技大学 | 一种基于压缩感知与改进多尺度网络的故障诊断方法 |
| CN109800895A (zh) * | 2019-01-18 | 2019-05-24 | 广东电网有限责任公司 | 一种基于增强现实技术在计量自动化流水线故障预警和维护的方法 |
| CN110059631B (zh) * | 2019-04-19 | 2020-04-03 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
| CN110070060B (zh) * | 2019-04-26 | 2021-06-04 | 天津开发区精诺瀚海数据科技有限公司 | 一种轴承设备的故障诊断方法 |
| CN110208660B (zh) * | 2019-06-05 | 2021-07-27 | 国网江苏省电力有限公司电力科学研究院 | 一种用于电力设备局部放电缺陷诊断的训练方法及装置 |
| CN110567720B (zh) * | 2019-08-07 | 2020-12-18 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
-
2019
- 2019-12-26 CN CN201911369696.4A patent/CN111240279B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190665A (zh) * | 2018-07-30 | 2019-01-11 | 国网上海市电力公司 | 一种基于半监督生成对抗网络的通用图像分类方法和装置 |
| CN109977094A (zh) * | 2019-01-30 | 2019-07-05 | 中南大学 | 一种用于结构化数据的半监督学习的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111240279A (zh) | 2020-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111240279B (zh) | 一种面向工业不平衡数据的对抗增强故障分类方法 | |
| CN108228716B (zh) | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 | |
| CN112288191B (zh) | 一种基于多类机器学习方法的海洋浮标寿命预测方法 | |
| US7362892B2 (en) | Self-optimizing classifier | |
| CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
| CN108875771B (zh) | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 | |
| CN101903895B (zh) | 化合物毒性预测模型的生成方法以及化合物毒性预测模型生成装置 | |
| CN105760888B (zh) | 一种基于属性聚类的邻域粗糙集集成学习方法 | |
| CN110287983A (zh) | 基于最大相关熵深度神经网络单分类器异常检测方法 | |
| CN103914705A (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
| CN102750286A (zh) | 一种处理缺失数据的新型决策树分类器方法 | |
| CN115048988B (zh) | 基于高斯混合模型的不平衡数据集分类融合方法 | |
| CN107239789A (zh) | 一种基于k‑means的不平衡数据工业故障分类方法 | |
| CN111046961A (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
| CN107392155A (zh) | 基于多目标优化的稀疏受限玻尔兹曼机的手写体识别方法 | |
| Raju et al. | Predicting the outcome of english premier league matches using machine learning | |
| CN107728476B (zh) | 一种基于SVM-forest的从非平衡类数据中提取敏感数据的方法 | |
| CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
| Shen et al. | A novel meta learning framework for feature selection using data synthesis and fuzzy similarity | |
| CN116776245A (zh) | 一种基于机器学习的三相逆变器设备故障诊断方法 | |
| CN103020864A (zh) | 玉米良种选育方法 | |
| CN111738086A (zh) | 用于点云分割的构图方法、***及点云分割***、装置 | |
| CN113609480B (zh) | 基于大规模网络流的多路学习入侵检测方法 | |
| CN114997378A (zh) | 归纳式图神经网络剪枝方法、***、设备及存储介质 | |
| CN115017978A (zh) | 一种基于加权概率神经网络的故障分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |