一种数据增强方法、故障预测方法与电子设备与流程
本技术涉及人工智能,尤其涉及一种数据增强方法、故障预测方法与电子设备。
背景技术:
1、随着工业自动化程度的不断提高,工业设备(如机械臂等)的故障预测已成为保障生产安全与效率的重要技术。一些可行的故障预测方法中,可以采集工业设备运行时的电流信号,将其输入至预先训练的故障预测模型中,故障预测模型输出工业设备的故障概率与故障类别等,实现工业设备的故障预测。
2、然而,在实际应用中,工业设备故障属于小概率事件,与此同时,不同的故障类别的发生概率也不尽相同,这就导致了包括有效故障预测特征的故障电流信号样本数量较少,且不同故障类别的样本数量不平衡;进而影响基于上述电流信号样本训练得到的故障预测模型的泛化性能与预测精度。
3、为了解决样本数量少的问题,相关技术中通常采用变分自编码器(variationalauto-encoders,vae)、条件变分自编码器(conditional variational auto-encoders,cvae)等生成式模型进行数据增强。具体而言,生成式模型学习少量真实故障电流信号,进而推理生成数据增强训练集。其中,生成式模型通常包括编码模块与解码模块,将少量真实故障电流信号输入编码模块,输出潜在空间变量;解码模块根据潜在空间变量生成新的电流信号,为故障预测模型提供充足的训练样本。
4、然而,相关技术中的数据增强模型通常难以区分不同的故障类别,导致生成的数据增强特征只对应部分的故障类别,即数据增强模型的故障类别边界模糊。导致虽然训练样本数量增加,但仍无法覆盖不同故障类别,使得故障预测模型难以进行全面的故障预测。
5、需要指出的是,公开于本技术背景技术部分的信息仅仅旨在加深对本技术的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
1、本技术提供一种数据增强方法、故障预测方法与电子设备,有利于解决数据增强模型的故障类别边界模糊,导致故障预测模型难以进行全面的故障预测的问题。
2、第一方面,本技术实施例提供了一种数据增强方法,包括:
3、确定故障电流信号对应的初始特征,并将所述故障电流信号对应的初始特征与故障类别输入第一编码模块,获得所述故障电流信号对应的第一潜在空间变量;
4、将所述故障电流信号对应的第一潜在空间变量与故障类别输入第一解码模块,获得所述故障电流信号对应的第一重构特征,并根据所述故障电流信号对应的初始特征与第一重构特征,确定第一重构损失;
5、将所述故障电流信号对应的第一潜在空间变量输入第一分类模块,获得第一预测故障类别,并根据所述故障电流信号对应的故障类别与所述第一预测故障类别,确定第一分类损失;
6、根据所述第一重构损失以及所述第一分类损失,对所述第一解码模块进行训练,获得目标解码模块,并根据所述目标解码模块,获得多个数据增强特征,所述多个数据增强特征对应多个故障类别。
7、在本技术实施例中,通过分类模块获得分类损失,结合分类损失训练第一解码模块,使得第一解码模块学习到不同的故障类别;由此确定的目标解码模块的故障类别边界更为清晰,得以生成不同故障类别的数据增强特征。进而使得故障预测模型可以进行更为全面的故障预测。
8、在一些可能的实现方式中,所述根据所述第一重构损失以及所述第一分类损失,对所述第一解码模块进行训练,获得目标解码模块,包括:
9、将多个所述故障电流信号分别对应的第一潜在空间变量,与多个所述故障电流信号分别对应的故障类别,输入第一对比学习模块,确定所述多个故障电流信号对应的第一对比学习损失;
10、根据所述第一重构损失、所述第一分类损失以及所述第一对比学习损失,对所述第一解码模块进行训练,获得目标解码模块。
11、在本技术实施例中,通过对比学习模块获得对比学习损失,使得第一解码器学习到各个故障类别,以及不同的故障类别之间的区别;进一步缩小同类故障对应的潜在空间变量的类内距离,扩大不同故障对应潜在空间变量的类间距离,使潜在空间的类别边界更为清晰。由此训练得到的目标解码模块,生成的不同故障类别的数据增强特征区分度更高;有利于提升后续故障预测模型的泛化性能与预测精度。
12、在一些可能的实现方式中,在所述将所述故障电流信号对应的初始特征与故障类别输入第一编码模块之前,还包括:
13、将所述故障电流信号对应的初始特征与故障类别输入第二编码模块,获得所述故障电流信号对应的第二潜在空间变量;
14、将所述故障电流信号对应的第二潜在空间变量与故障类别输入第二解码模块,获得故障电流信号对应的第二重构特征,并根据所述故障电流信号对应的初始特征与第二重构特征,确定第二重构损失;
15、根据所述第二重构损失,对所述第二编码模块与所述第二解码模块进行训练,获得第一编码模块与第一解码模块。
16、在本技术实施例中,首先对编码模块与解码模块进行单独预训练,使得第一编码模块与第一解码模块稳定的学习特征重构,避免后续联合训练时发生梯度冲突,有利于提升数据增强模型的训练稳定性与最终的生成质量。
17、在一些可能的实现方式中,在所述将所述故障电流信号对应的第一潜在空间变量输入第一分类模块之前,包括:
18、将所述故障电流信号对应的第一潜在空间变量输入第二分类模块,获得第二预测故障类别,并根据所述故障电流信号对应的故障类别与所述第二预测故障类别,确定第二分类损失;
19、将多个所述故障电流信号分别对应的第一潜在空间变量,与多个所述故障电流信号分别对应的故障类别,输入第二对比学习模块,确定所述多个故障电流信号对应的第二对比学习损失;
20、根据所述多个故障电流信号对应的第二分类损失与第二对比学习损失,对所述第二分类模块与所述第二对比学习模块进行训练,获得第一分类模块与第一对比学习模块。
21、在本技术实施例中,固定编码模块与解码模块,训练分类模块与对比学习模块,能够使分类模块与对比学习模块快速学习到准确的分类规则与对比约束。同时可以进一步减少联合训练时的梯度冲突,提升故障类别的边界清晰度。
22、在一些可能的实现方式中,所述根据所述第一重构损失、所述第一分类损失以及所述第一对比学习损失,对所述第一解码模块进行训练,获得目标解码模块,包括:
23、根据多个所述故障电流信号分别对应的所述第一重构损失、所述第一分类损失以及所述第一对比学习损失,对所述第一编码模块、所述第一解码模块、所述第一分类模块以及所述第一对比学习模块进行训练,获得目标编码模块、目标解码模块、目标分类模块以及目标对比学习模块。
24、在本技术实施例中,采用多模块联合训练的方式,能够使目标编码模块、目标解码模块、目标分类模块以及目标对比学习模块相互适配,如此确定的目标解码模块在推理阶段生成的数据增强特征的重构精度与故障类别区分度均有所提升。
25、在一些可能的实现方式中,所述根据所述第一重构损失、所述第一分类损失以及所述第一对比学习损失,对所述第一解码模块进行训练,包括:
26、确定所述第一重构损失、所述第一分类损失以及所述第一对比学习损失分别对应的权重;
27、根据所述第一重构损失、所述第一分类损失、所述第一对比学习损失,以及所述第一重构损失、所述第一分类损失以及所述第一对比学习损失分别对应的权重,对所述第一解码模块进行训练。
28、在本技术实施例中,采用加权求和的方式配置各项损失,能够灵活调整不同损失的贡献程度,由此确定的目标解码模块,在推理阶段生成的数据增强特征的重构精度与故障类别的判别性之间更为平衡,适配不同应用场景下的侧重需求。
29、在一些可能的实现方式中,所述确定所述第一重构损失、所述第一分类损失以及所述第一对比学习损失分别对应的权重,包括:
30、获取所述第一解码模块的当前训练轮次;
31、根据所述第一解码模块的当前训练轮次,确定所述第一重构损失、所述第一分类损失以及所述第一对比学习损失分别对应的权重。
32、在本技术实施例中,基于训练轮次动态调整各损失的对应权重,有利于降低不同损失之间的梯度冲突,提升数据增强模型训练的稳定性与最终的收敛效果。
33、在一些可能的实现方式中,所述根据所述目标解码模块,获得多个数据增强特征,包括:
34、对于多个故障类别中的任意一个故障类别,将所述任意一个故障类别与多个随机潜在空间变量输入所述目标解码模块,获得多个数据增强特征,所述多个数据增强特征对应的故障类别为所述任意一个故障类别。
35、在本技术实施例中,采用指定故障类别结合随机潜在空间变量的条件生成方式,可以对不同故障类别的样本数量进行扩充,故障类别可控性较强,覆盖更全面的故障类型,为后续故障预测模型的训练提供更丰富、均衡的训练样本。
36、在一些可能的实现方式中,所述确定故障电流信号对应的初始特征,包括:
37、根据故障电流信号的时域统计特征、频域频谱特征以及所述故障电流信号对应的故障类别,确定所述故障电流信号对应的初始特征。
38、在本技术实施例中,采用时域统计特征、频域频谱特征与故障类别融合的方式构建初始特征,可以兼顾故障电流信号的时域幅值特性、全局频谱分布特性与时频局部瞬态特性,同时引入故障类别相关的匹配特征,得到的初始特征信息维度更丰富,且有利于提升初始特征对不同故障类别的区分度。
39、第二方面,本技术实施例提供了一种故障预测方法,包括:
40、根据多个故障电流信号分别对应的初始特征、所述多个故障电流信号分别对应的故障类别、多个数据增强特征以及所述多个数据增强特征分别对应的故障类别,对初始故障预测模型进行训练,获得目标故障预测模型;
41、获取目标电流信号,并确定所述目标电流信号对应的初始特征;
42、将所述目标电流信号对应的初始特征输入所述目标故障预测模型,输出所述目标电流信号对应的故障类别;
43、其中,所述多个数据增强特征为根据第一方面中任意一项所述的方法获得。
44、在本技术实施例中,结合不同故障类别的数据增强特征对初始故障预测模型进行训练,由于训练样本数量充足且不同故障类型均得以有效训练,因此训练得到的目标故障预测模型有着较好泛化性能与预测精度,可以更为全面、准确的进行故障预测。
45、第三方面,本技术实施例提供了一种电子设备,包括:
46、处理器;
47、存储器;
48、以及计算机程序,其中,所述计算机程序被存储在所述存储器中,所述计算机程序包括指令,当所述指令被所述处理器执行时,使得所述电子设备执行第一方面或第二方面中任意一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com