一种基于SPCA-GAN的工业过程故障诊断方法

本发明涉工业过程监控与故障诊断，具体涉及一种基于spca-gan的工业过程故障诊断方法。

背景技术：

1、工业过程故障诊断是保障现代工业系统安全、稳定和高效运行的重要技术。随着智能制造和工业自动化的快速发展，工业过程结构日益复杂，故障一旦发生，可能导致产品质量下降、生产中断、设备损坏甚至发生安全事故。因此，及时、准确地识别工业过程故障类型，对提高生产过程的可靠性和安全性具有重要意义。

2、近年来，数据驱动的故障诊断方法由于不依赖精确的机理模型，已成为工业过程监测与故障诊断领域的重要研究方向。传统数据驱动方法主要包括主成分分析、偏最小二乘法、慢特征分析和支持向量机等方法。这类方法具有一定的理论基础和可解释性，但通常依赖线性假设、数据分布假设或人工特征设计，难以充分描述复杂工业过程中的非线性、动态性和多变量的耦合特征。

3、为了进一步提高诊断性能，深度学习方法被广泛应用于工业过程故障诊断任务中。相关研究表明，深度信念网络、卷积自编码器和长短期记忆网络等方法能够从原始过程数据中自动学习深层特征，在样本充足的条件下具有较好的诊断性能。然而，大多数深度学习的故障诊断方法仍属于监督学习范式，通常假设测试阶段出现的故障类别在训练阶段已有足够标注样本。在实际工业过程中，部分故障发生频率较低，甚至由于安全风险、实验成本和生产条件的限制而难以采集样本，导致模型难以获得未见类故障的训练数据。因此，传统的监督诊断方法在开放工业场景中的应用受到极大的限制。

4、零样本学习为解决未见类故障诊断问题提供了一种新的思路。该方法利用类别属性、语义嵌入或辅助知识建立已见类与未见类之间的联系，使模型能够在缺少未见类样本的情况下完成识别。然而，传统零样本故障诊断通常假设测试集中只包含未见类故障样本，而实际工业系统中已见类故障和未见类故障可能同时出现。广义零样本故障诊断要求在同一测试空间中同时识别已见类故障和未见类故障，但由于模型训练过程主要依赖已见类故障样本，学习到的特征分布和分类边界容易偏向已见类，导致模型可能将未见类故障误判为已见类故障。

5、现有研究主要从语义嵌入、相似性建模、偏置校准、属性结构利用和特征生成等方面展开。但在广义零样本故障诊断中仍存在三个关键问题：单一语义原型难以充分描述同类故障在不同工况下的类内差异；现有生成方法对真实特征与生成特征、生成特征与属性语义之间的一致性约束不足，可能导致生成特征出现语义偏移；在最终分类阶段，真实已见类样本与生成未见类样本之间仍存在分布差异，使分类器倾向于预测已见类故障。

技术实现思路

1、本发明提供一种基于spca-gan的工业过程故障诊断方法，具有通过属性条件生成器合成未见类故障特征，结合双向属性语义一致性约束、语义多中心原型建模和已见类-未见类偏置校准策略，实现已见类和未见类故障的联合诊断，具有诊断精度高、泛化能力强的优点。

2、本发明提供一种基于spca-gan的工业过程故障诊断方法，包括以下测试阶段步骤：

3、s1、获取待诊断的故障测试样本；

4、s2、利用预先训练好的特征编码器对所述故障测试样本进行特征提取，得到真实测试样本特征；

5、s3、将所述真实测试样本特征输入到预先训练好的属性预测器，提取对应的隐藏层特征；

6、s4、将所述真实测试样本特征与对应的隐藏层特征进行拼接，得到增强测试特征；

7、s5、将所述增强测试特征输入到预先训练好的mlp分类器，计算所述故障测试样本相对于预设候选类别集合中每一个候选类别的原始分类得分；

8、s6、当所述预设候选类别集合同时包含已见类故障类别和未见类故障类别时，对属于已见类故障类别的原始分类得分施加惩罚系数，得到各候选类别的校准后分类得分，并选取校准后分类得分最高的候选类别作为所述故障测试样本的故障诊断结果；

9、当所述预设候选类别集合仅包含未见类故障类别时，直接选取原始分类得分最高的候选类别作为所述故障测试样本的故障诊断结果。

10、与现有技术相比，本发明具有以下有益效果：

11、1、本发明提出一种面向工业过程广义零样本故障诊断的spca-gan模型，能够根据故障属性语义生成未见类故障特征，并在同一分类器中实现已见类和未见类故障的联合诊断，有效解决了未见类故障缺乏训练样本的问题。

12、2、本发明设计双向语义一致性模块，从属性到特征、特征到属性两个方向约束语义信息传递过程，提高生成特征与故障属性描述之间的一致性，有效减少生成特征的语义偏移。

13、3、本发明构建多中心语义原型模块，用多个语义原型刻画同一故障类别的类内差异，为未见类故障特征生成提供更丰富的语义约束，能够充分描述同类故障在不同工况下的类内差异。

14、4、本发明引入已见类-未见类偏置校准策略，在最终诊断阶段调整已见类和未见类的分类分数，缓解广义零样本故障诊断中模型偏向已见类的问题，提高了已见类与未见类故障的联合诊断性能。

15、5、基于tennessee-eastman过程故障诊断实验结果表明，本发明所提方法在零样本和广义零样本故障诊断任务中均取得了优于现有对比方法的诊断性能，具有良好的工业应用价值。

1.一种基于spca-gan的工业过程故障诊断方法，其特征在于，包括以下测试阶段步骤：

2.根据权利要求1所述的方法，其特征在于，在所述测试阶段之前还包括离线准备阶段；所述离线准备阶段包括以下步骤：

3.根据权利要求2所述的方法，其特征在于，所述验证集通过以下方式构造：

4.根据权利要求3所述的方法，其特征在于，所述验证集的调和平均值的计算表达式为：

5.根据权利要求2所述的方法，其特征在于，所述方法还包括以下训练阶段步骤：

6.根据权利要求5所述的方法，其特征在于，所述spca-gan模型的总目标损失函数表达式为：

7.根据权利要求6所述的方法，其特征在于，所述基础故障特征生成损失的计算表达式为：

8.根据权利要求7所述的方法，其特征在于，所述特征编码器重构损失的计算表达式为：

9.根据权利要求6所述的方法，其特征在于，所述双向属性语义一致性损失的计算表达式为：

10.根据权利要求6所述的方法，其特征在于，所述语义多中心原型损失的计算表达式为：