基于生成对抗网络的动态系统智能故障诊断方法研究

This project intends to propose an intelligent fault diagnosis method for dynamic systems based on generative adversarial network. It innovatively uses fault indicators to integrate fault detection, fault type identification and fault root cause diagnosis into a unified framework. The innovations of this project include: (1) For the first time, the recurrent neural network based on gated recurrent unit is combined with generative adversarial learning to construct the generator from independent latent variable to time sequence and the discriminator from time sequence to probability density to estimate the probability density function of time sequence. The problem of fault detection for dynamic systems with complex space-time coupling is solved, and the problem of over-fitting or under-fitting caused by multi-mode imbalance of training samples is avoided. (2) For the first time, the concept of independent latent space is proposed. The complex space-time coupling in time sequence is decoupled by constructing an inverter. The fault direction is extracted in the independent latent space, and the fault type is identified by reconstructing the fault indicator. It solves the problem that the number of fault samples is small and the fault identification is difficult. (3) The concept of data source is proposed for the first time, and the contribution rate of variables to fault indicator is calculated by combining data source with virtual scale factor. The problem of calculating the variable contribution rate of complex fault indicators is solved. The introduction of data source improves the accuracy of fault root cause diagnosis for unsteady and non-Gauss system.

本项目拟提出基于生成对抗网络的动态系统智能故障诊断方法，创新性的利用故障指示量将故障检测、故障类型辨识、故障根因诊断纳入统一框架，该项目的创新之处包括：（1）首次将基于门控循环单元的循环神经网络与生成对抗学习结合，构造独立潜变量到变量序列的生成器以及变量序列到样本概率密度的判别器实现了变量序列的概率密度估计。解决了具有复杂时空耦合的动态系统故障检测问题，避免了训练样本多模式不平衡带来的过拟合或欠拟合问题。（2）首次提出独立潜空间的概念，通过构造逆变器实现变量序列中复杂时空关系的解耦，在独立潜空间内提取故障方向，通过重构故障指示量的方式辨识故障类型。解决了故障样本数量少，故障辨识难的问题。（3）首次提出数据源的概念，并将数据源与虚拟尺度因子结合，计算了变量对故障指示量的贡献率。解决了复杂故障指示量的变量贡献率计算问题，数据源的引入提升了非稳态和非高斯系统故障根因诊断的准确率。

本项目为基于生成对抗网络的动态系统智能故障诊断方法研究。主要研究对象为动态系统，所谓动态系统是指系统变量间动态自相关和互相关，这样的系统具有以下特点：1）系统是时变的 ；2）数据是多模式不平衡的；3）时间序列具有复杂的时空耦合关系。针对这样的系统本项目开展了故障诊断方法研究，主要包括三个内容：故障检测、类型辨识、根因分析。.取得的结果包括1、将LSTM网络引入动态系统建模，相较于传统针对平稳随机过程的建模方法，LSTM更适用于时间序列，能够有效描述变量间的自相关、互相关、非线性关系。2、将生成对抗网络与LSTM结合，通过生成误差构造故障检测量，实现故障检测，同时构造了独立潜空间，在该空间内实现对复杂耦合数据的解耦。3、通过在浅空间内提取故障子空间实现故障特征空间提取，进而实现了基于故障重构的类型辨识，这种故障类型辨识方法无需大量故障数据即可实现。4、提出了数据源和虚拟尺度因子的概念，实现了通用根因分析方法，当故障发生时，能够分析引起故障的变量贡献度，并且这是一种通用方法，可与绝大部分故障检测方法结合，具有良好的通用性。.动态系统正变的越来越多，其故障诊断尤为重要。航空、化工等复杂工业过程实际运行时通常具有动态运行特点，即由储能环境、动态操作、底层回路控制和运行控制的反馈作用会引入动态特性，而故障往往容易发生在系统动态调整阶段，而现有的动态系统故障诊断研究大多数是基于模型的方法，现代工业过程越来越大型化和复杂化，导致对其建立精确模型，比较困难甚至是难以实现。本项目所取得的研究成果属于数据驱动的故障诊断方法，建立了数据驱动的动态系统故障诊断技术的通用框架，应该改具有良好的应用价值。