本发明专利技术提供一种二阶段的故障样本增强方法、装置、电子设备及存储介质，其中方法包括：在第一阶段，基于标注信息对第一噪声向量进行扩展，将扩展后的第一噪声向量和真实的故障基准样本输入至第一条件生成对抗网络模型，生成含有通用属性的故障基准样本；在第二阶段，对含有通用属性的故障基准样本添加第二噪声向量和标注信息编码向量，结合真实的故障样本作为第二条件生成对抗网络模型的输入，生成含有随机属性的故障样本；将含有随机属性的故障样本以及对应的标注信息添加到历史故障样本中，获取增强的故障样本。本发明专利技术对整体故障诊断样本生成进行指导，以满足故障诊断学习需求，同时解决了故障样本生成过程中的生成式模型难以构建和训练的问题。以构建和训练的问题。以构建和训练的问题。
【技术实现步骤摘要】
二阶段的故障样本增强方法、装置、电子设备及存储介质
[0001]本专利技术涉及计算机
，尤其涉及一种二阶段的故障样本增强方法、装置、电子设备及存储介质。
技术介绍
[0002]故障诊断是现代工业领域中非常重要的任务之一，其能够帮助及时发现设备故障并进行维修，保障生产效率及设备的正常运行。现有的故障诊断方法大多基于已有数据进行学习，并通过训练出的模型进行故障诊断。然而，在真实的工程环境下，由于运行环境、制造工艺等影响，不同工况下的不同故障类别发生的频率会具有显著不同。此外，由于可供采集故障数据的现成设备少、历史数据积累不足等原因，导致某些故障类样本稀少，与正常样本或其他故障类别样本间呈现分布不均衡的问题。由于这种故障样本数据的有限性及难以获取，已有的数据往往难以涵盖所有可能的故障情况，从而导致基于数据驱动的故障诊断模型的精度不高，故障诊断结果不够准确。
技术实现思路
[0003]针对相关技术存在的上述问题，本专利技术实施例提供一种二阶段的故障样本增强方法、装置、电子设备及存储介质。
[0004]第一专利技术，本专利技术提供一种二阶段的故障样本增强方法，包括：
[0005]在第一阶段，基于标注信息对第一噪声向量进行扩展，将扩展后的所述第一噪声向量和真实的故障基准样本输入至第一条件生成对抗网络模型，生成含有通用属性的故障基准样本；
[0006]在第二阶段，对所述含有通用属性的故障基准样本添加第二噪声向量和标注信息编码向量，结合真实的故障样本作为第二条件生成对抗网络模型的输入，生成含有随机属性的故障样本；
[0007]将所述含有随机属性的故障样本以及对应的标注信息添加到历史故障样本中，获取增强的故障样本；
[0008]其中，所述第一噪声向量和所述第二噪声向量均通过随机噪声采样获取，所述标注信息包括工况和故障模式，所述第一条件生成对抗网络模型是基于历史故障样本和预先确定的通用属性标签训练后获得的，所述第二条件生成对抗网络模型是基于所述第一条件生成对抗网络模型输出的故障基准样本和随机属性标签训练后获得的。
[0009]在一些实施例中，所述第一条件生成对抗网络模型基于以下步骤训练得到：
[0010]构建所述第一条件生成对抗网络模型，所述第一条件生成对抗网络模型包括第一生成器，第一判别器和第一分类器；
[0011]通过时序分解提取经过预处理的历史故障样本的通用属性，作为第一阶段的故障基准样本标签；
[0012]基于标注信息对第一噪声向量进行扩展，将扩展后的第一噪声向量输入至所述第
一生成器，获得模拟的故障基准样本；
[0013]将真实的故障基准样本和所述模拟的故障基准样本输入至所述第一判别器，获得第一真假判别结果；
[0014]将所述真实的故障基准样本和所述模拟的故障基准样本输入至所述第一分类器，获得包含所述标注信息的第一分类结果；
[0015]确定所述第一条件生成对抗网络模型的第一损失，基于所述第一损失的反向传播完成模型训练，并更新所述第一生成对抗网络模型的参数。
[0016]在一些实施例中，所述第二条件生成对抗网络模型基于以下步骤训练得到：
[0017]构建所述第二条件生成对抗网络模型，所述第二条件生成对抗网络模型包括第二生成器，第二判别器和第二分类器；
[0018]基于标注信息对第二噪声向量进行扩展，将扩展后的第二噪声向量和所述第一阶段生成的故障基准样本输入至所述第二生成器，获得模拟的故障样本；
[0019]将真实的故障样本和所述模拟的故障样本输入至所述第二判别器，获得第二真假判别结果；
[0020]将所述真实的故障样本和所述模拟的故障样本输入至所述第二分类器，获得包含所述标注信息的第二分类结果；
[0021]确定所述第二条件生成对抗网络模型的第二损失，基于所述第二损失的反向传播完成模型训练，并更新所述第二生成对抗网络模型的参数。
[0022]在一些实施例中，所述通用属性包括趋势和周期。
[0023]第二方面，本专利技术还提供一种二阶段的故障样本增强装置，包括：
[0024]第一生成模块，用于在第一阶段，基于标注信息对第一噪声向量进行扩展，将扩展后的所述第一噪声向量和真实的故障基准样本输入至第一条件生成对抗网络模型，生成含有通用属性的故障基准样本；
[0025]第二生成模块，用于在第二阶段，对所述含有通用属性的故障基准样本添加第二噪声向量和标注信息编码向量，结合真实的故障样本作为第二条件生成对抗网络模型的输入，生成含有随机属性的故障样本；
[0026]获取模块，用于将所述含有随机属性的故障样本以及对应的标注信息添加到历史故障样本中，获取增强的故障样本；
[0027]其中，所述第一噪声向量和所述第二噪声向量均通过随机噪声采样获取，所述标注信息包括工况和故障模式，所述第一条件生成对抗网络模型是基于历史故障样本和预先确定的通用属性标签训练后获得的，所述第二条件生成对抗网络模型是基于所述第一条件生成对抗网络模型输出的故障基准样本和随机属性标签训练后获得的。
[0028]在一些实施例中，所述第一条件生成对抗网络模型基于以下步骤训练得到：
[0029]构建所述第一条件生成对抗网络模型，所述第一条件生成对抗网络模型包括第一生成器，第一判别器和第一分类器；
[0030]通过时序分解提取经过预处理的历史故障样本的通用属性，作为第一阶段的故障基准样本标签；
[0031]基于标注信息对第一噪声向量进行扩展，将扩展后的第一噪声向量输入至所述第一生成器，获得模拟的故障基准样本；
[0032]将真实的故障基准样本和所述模拟的故障基准样本输入至所述第一判别器，获得第一真假判别结果；
[0033]将所述真实的故障基准样本和所述模拟的故障基准样本输入至所述第一分类器，获得包含所述标注信息的第一分类结果；
[0034]确定所述第一条件生成对抗网络模型的第一损失，基于所述第一损失的反向传播完成模型训练，并更新所述第一生成对抗网络模型的参数。
[0035]在一些实施例中，所述第二条件生成对抗网络模型基于以下步骤训练得到：
[0036]构建所述第二条件生成对抗网络模型，所述第二条件生成对抗网络模型包括第二生成器，第二判别器和第二分类器；
[0037]基于标注信息对第二噪声向量进行扩展，将扩展后的第二噪声向量和所述第一阶段生成的故障基准样本输入至所述第二生成器，获得模拟的故障样本；
[0038]将真实的故障样本和所述模拟的故障样本输入至所述第二判别器，获得第二真假判别结果；
[0039]将所述真实的故障样本和所述模拟的故障样本输入至所述第二分类器，获得包含所述标注信息的第二分类结果；
[0040]确定所述第二条件生成对抗网络模型的第二损失，基于所述第二损失的反向传播完成模型训练，并更新所述第二生成对抗网络模型的参数。
[0041]在一些实施例中，所述通用属性包括趋势和周期。
[0042本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种二阶段的故障样本增强方法，其特征在于，包括：在第一阶段，基于标注信息对第一噪声向量进行扩展，将扩展后的所述第一噪声向量和真实的故障基准样本输入至第一条件生成对抗网络模型，生成含有通用属性的故障基准样本；在第二阶段，对所述含有通用属性的故障基准样本添加第二噪声向量和标注信息编码向量，结合真实的故障样本作为第二条件生成对抗网络模型的输入，生成含有随机属性的故障样本；将所述含有随机属性的故障样本以及对应的标注信息添加到历史故障样本中，获取增强的故障样本；其中，所述第一噪声向量和所述第二噪声向量均通过随机噪声采样获取，所述标注信息包括工况和故障模式，所述第一条件生成对抗网络模型是基于历史故障样本和预先确定的通用属性标签训练后获得的，所述第二条件生成对抗网络模型是基于所述第一条件生成对抗网络模型输出的故障基准样本和随机属性标签训练后获得的。2.根据权利要求1所述的二阶段的故障样本增强方法，其特征在于，所述第一条件生成对抗网络模型基于以下步骤训练得到：构建所述第一条件生成对抗网络模型，所述第一条件生成对抗网络模型包括第一生成器，第一判别器和第一分类器；通过时序分解提取经过预处理的历史故障样本的通用属性，作为第一阶段的故障基准样本标签；基于标注信息对第一噪声向量进行扩展，将扩展后的第一噪声向量输入至所述第一生成器，获得模拟的故障基准样本；将真实的故障基准样本和所述模拟的故障基准样本输入至所述第一判别器，获得第一真假判别结果；将所述真实的故障基准样本和所述模拟的故障基准样本输入至所述第一分类器，获得包含所述标注信息的第一分类结果；确定所述第一条件生成对抗网络模型的第一损失，基于所述第一损失的反向传播完成模型训练，并更新所述第一生成对抗网络模型的参数。3.根据权利要求1所述的二阶段的故障样本增强方法，其特征在于，所述第二条件生成对抗网络模型基于以下步骤训练得到：构建所述第二条件生成对抗网络模型，所述第二条件生成对抗网络模型包括第二生成器，第二判别器和第二分类器；基于标注信息对第二噪声向量进行扩展，将扩展后的第二噪声向量和所述第一阶段生成的故障基准样本输入至所述第二生成器，获得模拟的故障样本；将真实的故障样本和所述模拟的故障样本输入至所述第二判别器，获得第二真假判别结果；将所述真实的故障样本和所述模拟的故障样本输入至所述第二分类器，获得包含所述标注信息的第二分类结果；确定所述第二条件生成对抗网络模型的第二损失，基于所述第二损失的反向传播完成模型训练，并更新所述第二生成对抗网络模型的参数。
4.根据权利要求1
‑
3任一项所述的二阶段的故障样本增强方法，其特征在于，所述通用属性包括趋势和周期。5.一种二阶段的故障样本增强装置，其特征在于，包括：第一生成模块，用于在第一阶段，基于标注信息对第一噪声向量进行扩展，将扩展后的所述第一噪声向量和真实的故障基准样本输入至第一条件生成对抗网络模型，生成含有...
【专利技术属性】
技术研发人员：任广皓，张桂刚，王健，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。