基于对抗生成表征的斩波器故障检测与少样本诊断方法

1.本发明涉及斩波器故障检测领域，尤其涉及基于对抗生成表征的斩波器故障检测与少样本诊断方法。


背景技术：

2.中子斩波器(大科学装置斩波器)是一种机械式斩波器，属于旋转机械类设备，又称中子能量选择器，出现于二十世纪三四十年代，最早用于中子诱发放射性同位素的研究；随着中子散射技术的发展，被广泛应用于各类大型中子源设施；在飞行时间型中子散射谱仪中，斩波器可以从时间上裁剪束流，起到去除快中子和高能伽马射线背底、选择中子波长范围和单色化中子的作用。
3.由于大科学装置斩波器高可靠连续服役，缺少早期微弱故障样本，给早期故障识别和故障诊断带来困难；针对斩波器早期故障数据匮乏的限制，如何根据采集到的数据进行少样本故障诊断成为需要解决的技术难题。


技术实现要素：

4.本发明的目的是提供基于对抗生成表征的斩波器故障检测与少样本诊断方法，基于生成对抗机制的单分类学习方法，用于斩波器早期故障识别(异常检测)；针对故障状态少样本的限制，研究生成对抗小样本学习方法，构建已知故障类型的分类模型，如此可以实现斩波器少样本的故障诊断及分类。
5.为了实现以上目的，本发明采用的技术方案为：基于对抗生成表征的斩波器故障检测与少样本诊断方法，包括如下步骤：
6.步骤一、利用双向生成对抗网络(bi-gan)算法的生成对抗机制从正常状态数据中提取有效特征；
7.步骤二、利用步骤一提取到的有效特征基于单类学习算法构建故障检测模型，
8.步骤三、通过采集器采集斩波器的数据信息，将采集到的数据经过特征提取器后输入故障检测模型，判断是否为故障数据；
9.步骤四、基于生成对抗少样本学习方法提取步骤二中检测出的少量故障样本的故障特征，采用基于特征距离的方法在特征空间中构建基于少故障样本的已知故障分类模型，并依据故障分类模型对故障进行分类。
10.优选的，步骤二中所采用的单类学习算法为支持向量机(oc-svm)，支持向量机的基本函数由下式给出：
11.f(x)＝ω
·
∮(x)+b
12.其中f(x)是一个非线性映射函数，并且ω和b是需要确定的向量参数；在数据集{(x1，y1)，(x2，y2)，
…
,(xn，yn)}(xi∈rn，yi∈rn)中xi为输入，yi是输出，并且rn表示n维欧氏空间；可训练函数f(x)逼近实际值y；支持向量机的目标函数可以表示为：
[0013][0014]
其中，∫是代价函数，c是惩罚因子，n表示数据的数量；
[0015]
svm的代价函数如下：
[0016][0017]
其中ε为参数；svm方法将预测值f(x)与实际值y之间的最大偏差ε置于两者之间，当两者之间的绝对差值大于ε时，开始计算成本值；两个宽度的边距2ε将在f(x)的中心下方建造；右边界点是“支持向量”的确定模型；如果训练样本停留在空白处，则可以假定结果是正确的。
[0018]
由于柔性边界，松弛变量ξi和被引入，因此方程可以被改写为：
[0019][0020][0021]
式中，ξi和分别表示误差上限和误差下限；通过引入拉格朗日乘子α≥0，δ≥0；拉格朗日函数为；
[0022][0023]
对偶函数可以写成：
[0024][0025][0026]
函数k(xi,yj)是核函数，核函数可以将低维空间的非线性问题转化为高维空间的规划线性问题，近似函数为：
[0027][0028]
优选的，步骤四中在特征空间中实现故障分类的方法为k近邻法(knn：k nearest neighbor)。
[0029]
优选的，步骤一利用双向生成对抗网络(bi-gan)算法是在gan算法上作出的改进，不仅包含gan算法从gan只含有从特征(feature)空间到数据(data)空间的一个生成器g，还
包含一个从数据(data)空间到特征(feature)空间的特征提取器e(encoder)，判别器的作用是判断数据对(x，z)是服从联合分布
[0030]
p
ex
(x，z)＝p
x
(x)pe(z|x)还是：p
gz
(x，z)＝pg(x|z)pz(z)。
[0031]
本发明的技术效果为：
[0032]
能够提取正常状态数据的特征，并依据正常状态的数据特征构建故障检测模型，检测采集到的数据是否为故障数据，并将检测的到故障信息依据k近邻法进行分类，后续采集的数据可以直接判断和分类，如此可以实现少样本状态下的斩波器故障诊断及故障分类。
附图说明
[0033]
图1为双向生成对抗网络(bi-gan)算法进行单类数据特征提取的示意图。
[0034]
图2为斩波器的立体示意图。
[0035]
图3为振动检测器与斩波器的配合示意图。
[0036]
图4为斩波器配合锁紧螺栓后的示意图。
[0037]
图中所示文字标注表示为：1、斩波器；2、安装块；5、振动检测座；6、振动检测器；7、安装法兰；8、调节孔；9、锁紧螺母；10、锁紧螺栓。
具体实施方式
[0038]
为了使本领域技术人员更好地理解本发明的技术方案，下面对本发明进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。
[0039]
本技术的技术方案为：基于对抗生成表征的斩波器故障检测与少样本诊断方法，包括如下步骤：
[0040]
步骤一、如图1所示，利用双向生成对抗网络(bi-gan)算法的生成对抗机制从正常状态数据中提取有效特征，双向生成对抗网络(bi-gan)算法是在gan算法上作出的改进，不仅包含gan算法从gan只含有从特征(feature)空间到数据(data)空间的一个生成器g，还包含一个从数据(data)空间到特征(feature)空间的特征提取器e(encoder)，判别器的作用是判断数据对(x，z)是服从联合分布p
ex
(x，z)＝p
x
(x)pe(z|x)还是：p
gz
(x，z)＝pg(x|z)pz(z)。
[0041]
步骤二、利用步骤一提取到的有效特征基于支持向量机(oc-svm)算法构建故障检测模型，支持向量机的基本函数由下式给出：
[0042]
f(x)＝ω
·
∮(x)+b
[0043]
其中f(x)是一个非线性映射函数，并且ω和b是需要确定的向量参数；在数据集{(x1，y1)，(x2，y2)，
…
，(xn，yn)}{xi∈rn，yi∈rn)中xi为输入，yi是输出，并且rn表示n维欧氏空间；可训练函数f(x)逼近实际值y；支持向量机的目标函数可以表示为：
[0044][0045]
其中，∫是代价函数，c是惩罚因子，n表示数据的数量；
[0046]
svm的代价函数如下：
[0047][0048]
其中ε为参数；svm方法将预测值f(x)与实际值y之间的最大偏差ε置于两者之间，当两者之间的绝对差值大于ε时，开始计算成本值；两个宽度的边距2ε将在f(x)的中心下方建造；右边界点是“支持向量”的确定模型；如果训练样本停留在空白处，则可以假定结果是正确的。
[0049]
由于柔性边界，松弛变量ξi和被引入，因此方程可以被改写为：
[0050][0051][0052]
式中，ξi和分别表示误差上限和误差下限；通过引入拉格朗日乘子α≥0，δ≥0；拉格朗日函数为；
[0053][0054]
对偶函数可以写成：
[0055][0056][0057]
函数k(xi,yj)是核函数，核函数可以将低维空间的非线性问题转化为高维空间的规划线性问题，近似函数为：
[0058][0059]
步骤三、通过采集器采集斩波器的数据信息，将采集到的数据经过特征提取器后输入故障检测模型，判断是否为故障数据；
[0060]
步骤四、基于生成对抗少样本学习方法提取步骤二中检测出的少量不同类别故障样本的故障特征，采用k近邻(knn：k nearest neighbor)基于特征距离的方法在特征空间中实现故障分类，构建基于少故障样本的故障分类模型，并依据故障分类模型对故障进行分类。
[0061]
如图2-4所示，为本技术的斩波器和具体的数据采集器，斩波器1配合四个安装块2，安装块2上设置直角形的振动检测座5，振动检测座5竖直边贴住斩波器1的壳体，且竖直
边通过安装法兰7安装有振动检测器6，水平边设置在安装块2上，且振动检测座5上开设有上大下小阶梯状的调节孔8，调节孔8的下部与安装块2上的安装孔配合，且调节孔8的下部尺寸大于安装块2上的安装孔，调节孔8的上部放置有锁紧螺母9，在具体安装时，通过锁紧螺栓10穿过安装块2上的安装孔和调节孔8的上部，并穿入到锁紧螺母9内，进而通过锁紧螺栓10和锁紧螺母9锁紧将安装块2安装到安装座或安装架上，调节孔的设计，可以微调振动检测座5的位置，确保振动检测座5能够贴紧斩波器1的壳体，如此即可确保斩波器1的壳体振动能够直接带动振动检测座5的竖直边振动，进而使振动检测器6能够精准的测量出振动幅度，同时也是通过一个螺栓直接是实现斩波器和采集器的安装，而且还能使斩波器和采集器的安装锁紧位置一致，确保振动检测器6采集的振动信号为斩波器1本身的振动，不会受到安装架或者安装座振动的影响。
[0062]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0063]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。

技术特征：
1.基于对抗生成表征的斩波器故障检测与少样本诊断方法，其特征在于，包括如下步骤：步骤一、利用双向生成对抗网络(bi-gan)算法的生成对抗机制从正常状态数据中提取有效特征；步骤二、利用步骤一提取到的有效特征基于单类学习算法构建故障检测模型，步骤三、通过采集器采集斩波器的数据信息，将采集到的数据经过特征提取器后输入故障检测模型，判断是否为故障数据；步骤四、基于生成对抗少样本学习方法提取步骤二中检测出的少量不同类别故障样本的故障特征，采用基于特征距离的方法在特征空间中构建基于少故障样本的已知故障分类模型，并依据故障分类模型对故障进行分类。2.根据权利要求1所述的基于对抗生成表征的斩波器故障检测与少样本诊断方法，其特征在于，步骤二中所采用的单类学习算法为支持向量机(oc-svm)，支持向量机的基本函数由下式给出：f(x)＝ω
·
∮(x)+b其中f(x)是一个非线性映射函数，并且ω和b是需要确定的向量参数；在数据集{(x1，y1)，(x2，y2)，
…
,(x
n
，y
n
)}(x
i
∈r
n
，y
i
∈r
n
)中x
i
为输入，y
i
是输出，并且r
n
表示n维欧氏空间；可训练函数f(x)逼近实际值y；支持向量机的目标函数可以表示为：其中，∫是代价函数，c是惩罚因子，n表示数据的数量；svm的代价函数如下：其中ε为参数；svm方法将预测值f(x)与实际值y之间的最大偏差ε置于两者之间，当两者之间的绝对差值大于ε时，开始计算成本值；两个宽度的边距2ε将在f(x)的中心下方建造；右边界点是“支持向量”的确定模型；如果训练样本停留在空白处，则可以假定结果是正确的。由于柔性边界，松弛变量ξ
i
和被引入，因此方程可以被改写为：被引入，因此方程可以被改写为：式中，ξ
i
和分别表示误差上限和误差下限；通过引入拉格朗日乘子α≥0，δ≥0；拉格朗日函数为；
对偶函数可以写成：对偶函数可以写成：函数k(x
i
,y
j
)是核函数，核函数可以将低维空间的非线性问题转化为高维空间的规划线性问题，近似函数为：3.根据权利要求1所述的基于对抗生成表征的斩波器故障检测与少样本诊断方法，其特征在于，步骤四中在特征空间中实现故障分类的方法为k近邻法(knn：k nearest neighbor)。4.根据权利要求1所述的基于对抗生成表征的斩波器故障检测与少样本诊断方法，其特征在于，步骤一利用双向生成对抗网络(bi-gan)算法是在gan算法上作出的改进，不仅包含gan算法从gan只含有从特征(feature)空间到数据(data)空间的一个生成器g，还包含一个从数据(data)空间到特征(feature)空间的特征提取器e(encoder)，判别器的作用是判断数据对(x,z)是服从联合分布p
ex
(x，z)＝p
x
(x)p
e
(z|x)还是p
gz
(x，z)＝p
g
(x|z)p
z
(z)。

技术总结
本发明涉及基于对抗生成表征的斩波器故障检测与少样本诊断方法，包括如下步骤：利用双向生成对抗网络算法的生成对抗机制从正常状态数据中提取有效特征；利用提取到的有效特征基于单类学习算法构建故障检测模型，通过采集器采集斩波器的数据信息，将采集到的数据经过特征提取器后输入故障检测模型，判断是否为故障数据；基于生成对抗少样本学习方法提取步骤二中检测出的少量不同类别故障样本的故障特征，采用基于特征距离的方法在特征空间中构建基于少故障样本的故障分类模型，并依据故障分类模型对故障进行分类。分类模型对故障进行分类。分类模型对故障进行分类。


技术研发人员：黄云伟 徐礼杰 杨喆 龙建宇 蒲自强
受保护的技术使用者：东莞理工学院
技术研发日：2023.06.27
技术公布日：2023/9/23