本發(fā)明涉及計(jì)算機(jī)，更具體的說是涉及一種工業(yè)故障分類方法、系統(tǒng)、裝置及可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、在現(xiàn)代工業(yè)中，信息化和大數(shù)據(jù)技術(shù)的迅速發(fā)展使得工業(yè)過程的監(jiān)測(cè)與管理越來越智能化和自動(dòng)化。然而，工業(yè)過程的復(fù)雜性和多樣性不可避免地會(huì)產(chǎn)生故障問題，依然是影響生產(chǎn)效率和質(zhì)量的關(guān)鍵因素之一。隨著傳感器技術(shù)的普及和數(shù)據(jù)采集能力的提升，企業(yè)能夠?qū)崟r(shí)獲取大量的運(yùn)行數(shù)據(jù)。這些數(shù)據(jù)中包含了豐富的故障信息，為故障檢測(cè)和分類提供了可能。然而，傳統(tǒng)的故障分類方法往往依賴于人工經(jīng)驗(yàn)，難以適應(yīng)日益復(fù)雜的工業(yè)環(huán)境。此外，許多現(xiàn)有技術(shù)在處理高維數(shù)據(jù)時(shí)效率低下，導(dǎo)致響應(yīng)時(shí)間過長(zhǎng)，無法滿足實(shí)時(shí)監(jiān)測(cè)的需求。

2、具體來說，傳統(tǒng)的故障分類方法主要依靠基于規(guī)則的方法，這種方法往往受限于專家知識(shí)，因?yàn)槠湟?guī)則的指定需要專業(yè)背景，難以自動(dòng)化生成，并且在面臨新的故障模式或是環(huán)境變化時(shí)，規(guī)則可能不再有效，需要不斷更新，增加維護(hù)成本。隨著工業(yè)過程中數(shù)據(jù)的不斷積累和新技術(shù)的不斷更迭，基于大數(shù)據(jù)分析和人工智能技術(shù)的方法變得越發(fā)成熟。通過在海量的工業(yè)數(shù)據(jù)中提取潛在的關(guān)聯(lián)性和規(guī)律，為故障分類提供了更加可靠的依據(jù)。然而在故障分類問題中，數(shù)據(jù)不平衡是十分嚴(yán)重的，故障數(shù)據(jù)量要遠(yuǎn)小于正常數(shù)據(jù)量，使得模型訓(xùn)練結(jié)果往往是次優(yōu)的。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)以上問題，本發(fā)明的目的在于提供一種工業(yè)故障分類方法、系統(tǒng)、裝置及可讀存儲(chǔ)介質(zhì)，通過使用時(shí)間序列生成對(duì)抗網(wǎng)絡(luò)，可以生成額外的故障樣本，緩解樣本不足帶來的問題，從而提高故障模型的泛化能力和魯棒性，提高故障分類的準(zhǔn)確性。

2、本發(fā)明為實(shí)現(xiàn)上述目的，通過以下技術(shù)方案實(shí)現(xiàn)：

3、第一方面，本發(fā)明公開了一種工業(yè)故障分類方法，包括：

4、從時(shí)序數(shù)據(jù)庫(kù)中獲取電廠設(shè)備的故障數(shù)據(jù)；

5、對(duì)所述故障數(shù)據(jù)進(jìn)行序列化處理，以獲得固定窗口大小的時(shí)序故障數(shù)據(jù)，并對(duì)所述時(shí)序數(shù)據(jù)進(jìn)行歸一化處理；

6、使用基于時(shí)間序列生成對(duì)抗網(wǎng)絡(luò)的時(shí)序生成算法對(duì)歸一化后的時(shí)序故障數(shù)據(jù)進(jìn)行建模，生成合成故障數(shù)據(jù)；

7、對(duì)所述合成故障數(shù)據(jù)進(jìn)行反歸一化處理，并將反歸一化后的合成故障數(shù)據(jù)與原始故障數(shù)據(jù)融合，生成融合故障數(shù)據(jù)；

8、對(duì)融合故障數(shù)據(jù)進(jìn)行時(shí)序數(shù)據(jù)截?cái)嗷蛱畛涮幚?，以生成模型?xùn)練數(shù)據(jù)；

9、基于transformer網(wǎng)絡(luò)構(gòu)建故障分類模型，使用處理后的模型訓(xùn)練數(shù)據(jù)對(duì)故障分類模型進(jìn)行訓(xùn)練；

10、利用訓(xùn)練好的故障分類模型對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行故障識(shí)別。

11、進(jìn)一步，所述從時(shí)序數(shù)據(jù)庫(kù)中獲取電廠設(shè)備的故障數(shù)據(jù)，包括：

12、從時(shí)序數(shù)據(jù)庫(kù)pi系統(tǒng)提取電廠任一機(jī)組下設(shè)備歷史1年的故障數(shù)據(jù)，數(shù)據(jù)采集的時(shí)間間隔為1分鐘；

13、將獲取的時(shí)序數(shù)據(jù)分為訓(xùn)練樣本和測(cè)試樣本，將訓(xùn)練樣本中的故障數(shù)據(jù)提取出來。

14、進(jìn)一步，所述對(duì)所述故障數(shù)據(jù)進(jìn)行序列化處理，以獲得固定窗口大小的時(shí)序故障數(shù)據(jù)，并對(duì)所述時(shí)序故障數(shù)據(jù)進(jìn)行歸一化處理，包括：

15、指定固定窗口大小，對(duì)故障數(shù)據(jù)進(jìn)行遍歷，獲取固定窗口大小的時(shí)序故障數(shù)據(jù)，記為；

16、通過查詢識(shí)別出故障數(shù)據(jù)的最大值和最小值；

17、對(duì)每一組時(shí)序故障數(shù)據(jù)進(jìn)行最大最小值歸一化計(jì)算生成歸一化的時(shí)序故障數(shù)據(jù)，公式如下：

18、

19、其中，為時(shí)序故障數(shù)據(jù)的狀態(tài)變量。

20、進(jìn)一步，所述使用基于時(shí)間序列生成對(duì)抗網(wǎng)絡(luò)的時(shí)序生成算法對(duì)歸一化后的時(shí)序故障數(shù)據(jù)進(jìn)行建模，生成合成故障數(shù)據(jù)，包括：

21、基于時(shí)間序列生成對(duì)抗網(wǎng)絡(luò)利用嵌入模塊將原始特征空間映射到包含靜態(tài)特征和動(dòng)態(tài)特征的隱藏空間，映射過程如下所示：

22、

23、其中，和分別表示靜態(tài)特征數(shù)據(jù)和動(dòng)態(tài)時(shí)序特征，和分別表示靜態(tài)特征和動(dòng)態(tài)特征數(shù)據(jù)到隱藏空間的映射函數(shù)，和分別對(duì)應(yīng)和在隱藏空間的低維映射；

24、通過訓(xùn)練逆映射完成數(shù)據(jù)的特征維度恢復(fù)，逆映射過程如下：

25、

26、其中：和分別表示經(jīng)過逆映射后的靜態(tài)特征和動(dòng)態(tài)特征；

27、使用重構(gòu)損失訓(xùn)練自編碼中的嵌入網(wǎng)絡(luò)和重構(gòu)網(wǎng)絡(luò)，重構(gòu)損失為：

28、

29、其中，為時(shí)間序列的長(zhǎng)度，為數(shù)據(jù)的分布；

30、將基于時(shí)間序列生成對(duì)抗網(wǎng)絡(luò)的生成函數(shù)定義為：

31、

32、其中，和表示隨機(jī)靜態(tài)特征和動(dòng)態(tài)隨機(jī)特征，和則表示隱藏空間中合成靜態(tài)特征和合成動(dòng)態(tài)特征；

33、引入有監(jiān)督誤差損失函數(shù)并定義無監(jiān)督的對(duì)抗損失函數(shù)，以提高生成器對(duì)真實(shí)數(shù)據(jù)時(shí)序相關(guān)性的學(xué)習(xí)能力；

34、有監(jiān)督誤差損失函數(shù)為：

35、

36、無監(jiān)督的對(duì)抗損失函數(shù)為：

37、

38、其中，和表示真實(shí)序列靜態(tài)和動(dòng)態(tài)特征的標(biāo)簽；，表示合成序列靜態(tài)特征標(biāo)簽，表示rnn特征提取函數(shù)，表示合成動(dòng)態(tài)特征標(biāo)簽；

39、利用基于時(shí)間序列生成對(duì)抗網(wǎng)絡(luò)，基于歸一化后的時(shí)序故障數(shù)據(jù)完成對(duì)嵌入空間下序列相關(guān)性的學(xué)習(xí)，生成合成故障數(shù)據(jù)。

40、進(jìn)一步，所述對(duì)所述合成故障數(shù)據(jù)進(jìn)行反歸一化處理，并將反歸一化后的合成故障數(shù)據(jù)與原始故障數(shù)據(jù)融合，生成融合故障數(shù)據(jù)，包括：

41、基于故障數(shù)據(jù)的最大值和最小值，通過反歸一化公式將合成故障數(shù)據(jù)進(jìn)行反歸一化，生成融合故障數(shù)據(jù)；

42、反歸一化的公式為：

43、

44、其中，為合成故障數(shù)據(jù)。

45、進(jìn)一步，所述對(duì)融合故障數(shù)據(jù)進(jìn)行時(shí)序數(shù)據(jù)截?cái)嗷蛱畛涮幚?，以生成模型?xùn)練數(shù)據(jù)，包括：

46、基于融合故障數(shù)據(jù)，將其中的最長(zhǎng)時(shí)序數(shù)據(jù)長(zhǎng)度記為，并生成一條長(zhǎng)度為的掩碼向量，其向量值全部設(shè)為1；

47、針對(duì)其它的融合故障數(shù)據(jù)，通過填充任意值進(jìn)行延長(zhǎng)處理，將其的數(shù)據(jù)長(zhǎng)度延長(zhǎng)至

48、基于延長(zhǎng)處理后的融合故障數(shù)據(jù)，生成對(duì)應(yīng)的掩碼向量；將填充位置的向量值設(shè)為0，其余位置的向量值設(shè)為1，作為模型訓(xùn)練數(shù)據(jù)。

49、進(jìn)一步，所述基于transformer網(wǎng)絡(luò)構(gòu)建故障分類模型，包括：

50、將transformer網(wǎng)絡(luò)的自注意力的輸出設(shè)定為：

51、

52、其中，為注意力掩碼，為輸入特征維度，為查詢向量，為鍵向量，為值向量。

53、第二方面，本發(fā)明還公開了一種工業(yè)故障分類系統(tǒng)，包括：

54、數(shù)據(jù)獲取模塊，用于從時(shí)序數(shù)據(jù)庫(kù)中獲取電廠設(shè)備的故障數(shù)據(jù)；

55、數(shù)據(jù)處理模塊，用于對(duì)所述故障數(shù)據(jù)進(jìn)行序列化處理，以獲得固定窗口大小的時(shí)序故障數(shù)據(jù)，并對(duì)所述時(shí)序數(shù)據(jù)進(jìn)行歸一化處理；

56、數(shù)據(jù)合成模塊，用于使用基于時(shí)間序列生成對(duì)抗網(wǎng)絡(luò)的時(shí)序生成算法對(duì)歸一化后的時(shí)序故障數(shù)據(jù)進(jìn)行建模，生成合成故障數(shù)據(jù)；

57、數(shù)據(jù)融合模塊，用于對(duì)所述合成故障數(shù)據(jù)進(jìn)行反歸一化處理，并將反歸一化后的合成故障數(shù)據(jù)與原始故障數(shù)據(jù)融合，生成融合故障數(shù)據(jù)；

58、訓(xùn)練數(shù)據(jù)生成模塊，用于對(duì)融合故障數(shù)據(jù)進(jìn)行時(shí)序數(shù)據(jù)截?cái)嗷蛱畛涮幚?，以生成模型?xùn)練數(shù)據(jù)；

59、模型構(gòu)建訓(xùn)練模塊，用于基于transformer網(wǎng)絡(luò)構(gòu)建故障分類模型，使用處理后的模型訓(xùn)練數(shù)據(jù)對(duì)故障分類模型進(jìn)行訓(xùn)練；

60、識(shí)別模塊，用于利用訓(xùn)練好的故障分類模型對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行故障識(shí)別。

61、第三方面，本發(fā)明還公開了一種工業(yè)故障分類裝置，包括：

62、存儲(chǔ)器，用于存儲(chǔ)工業(yè)故障分類程序；

63、處理器，用于執(zhí)行所述工業(yè)故障分類程序時(shí)實(shí)現(xiàn)如上文任一項(xiàng)所述工業(yè)故障分類方法的步驟。

64、第四方面，本發(fā)明還公開了一種可讀存儲(chǔ)介質(zhì)，所述可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有工業(yè)故障分類程序，所述工業(yè)故障分類程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文任一項(xiàng)所述工業(yè)故障分類方法的步驟。

65、對(duì)比現(xiàn)有技術(shù)，本發(fā)明有益效果在于：本發(fā)明公開了一種工業(yè)故障分類方法、系統(tǒng)、裝置及可讀存儲(chǔ)介質(zhì)，首先對(duì)故障數(shù)據(jù)序列化，然后利于基于timegan的時(shí)序生成算法對(duì)數(shù)據(jù)進(jìn)行建模，生成故障的時(shí)序數(shù)據(jù)，實(shí)現(xiàn)故障數(shù)據(jù)擴(kuò)充。最后使用時(shí)序分類算法對(duì)擴(kuò)充的數(shù)據(jù)進(jìn)行分類建模，實(shí)現(xiàn)故障的分類。本發(fā)明能夠幫助提高故障分類的準(zhǔn)確性和魯棒性，克服因數(shù)據(jù)稀缺而導(dǎo)致的分類性能下降問題，增強(qiáng)模型在復(fù)雜和多變的工業(yè)環(huán)境中的適應(yīng)能力。此外，通過數(shù)據(jù)生成的方式，可以豐富訓(xùn)練數(shù)據(jù)集，促進(jìn)深度學(xué)習(xí)模型的有效學(xué)習(xí)，進(jìn)而提升工業(yè)故障監(jiān)測(cè)和管理的智能化水平。

66、本發(fā)明通過使用timegan，可以生成額外的故障樣本，緩解樣本不足帶來的問題，從而提高模型的泛化能力和魯棒性。

67、本發(fā)明提出的故障數(shù)據(jù)合成的方法可以用于模型的訓(xùn)練、驗(yàn)證和測(cè)試，幫助研究人員更好地理解模型的行為，優(yōu)化模型參數(shù)，并在不同故障情況下評(píng)估模型的性能，提高整體的故障檢測(cè)和分類能力。

68、本發(fā)明使用timegan能夠模擬多種故障模式和變化趨勢(shì)，使得生成的數(shù)據(jù)不僅包括簡(jiǎn)單的故障實(shí)例，還能覆蓋更復(fù)雜的故障情況。這種多樣性有助于訓(xùn)練出更加全面的模型，使其在面對(duì)真實(shí)世界中未見過的故障時(shí)仍能有效識(shí)別。

69、由此可見，本發(fā)明與現(xiàn)有技術(shù)相比，具有突出的實(shí)質(zhì)性特點(diǎn)和顯著的進(jìn)步，其實(shí)施的有益效果也是顯而易見的。