人工智能技術(shù)與咨詢

點(diǎn)擊藍(lán)字 · 關(guān)注我們

來源：《人工智能與機(jī)器人研究》?，作者華豐

關(guān)鍵詞:?不平衡工業(yè)時(shí)間序列；異常檢測；生成對抗網(wǎng)絡(luò)；滾動(dòng)軸承數(shù)據(jù)

關(guān)注微信公眾號：人工智能技術(shù)與咨詢。了解更多咨詢！

摘要：

??摘要:?在工業(yè)系統(tǒng)中普遍存在樣本數(shù)據(jù)不平衡現(xiàn)象，正常樣本數(shù)量遠(yuǎn)遠(yuǎn)大于異常樣本數(shù)量。而傳統(tǒng)的機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)方法，例如樸素貝葉斯和支持向量機(jī)，在處理類不平衡問題時(shí)，很難獲得較高的識別分類準(zhǔn)確率，因?yàn)樗鼈兺鶗虮ＷC多數(shù)類的準(zhǔn)確率。為此，本文提出了一種基于生成對抗網(wǎng)絡(luò)(GAN)的異常檢測方法。這個(gè)方法中的生成器結(jié)構(gòu)是“編碼器–解碼器–編碼器”的三子網(wǎng)，并且訓(xùn)練該生成器只需要從正常樣本中提取特征，所以訓(xùn)練數(shù)據(jù)集中就不需要異常樣本。此系統(tǒng)的異常檢測結(jié)果由樣本的最終得分來判別，其中異常分?jǐn)?shù)由表觀損失和潛在損失組成。本文方法的亮點(diǎn)在于可以實(shí)現(xiàn)在無異常樣本訓(xùn)練的情況下對異常數(shù)據(jù)樣本做檢測，通過系統(tǒng)生成更高的異常分?jǐn)?shù)來診斷故障。本項(xiàng)目在凱斯西儲大學(xué)(CWRU)獲得的基準(zhǔn)滾動(dòng)軸承數(shù)據(jù)集上驗(yàn)證了該方法的可行性和有效性。本文提出的方法在數(shù)據(jù)集中區(qū)分異常樣本與正常樣本的準(zhǔn)確率達(dá)到了100%。

1. 項(xiàng)目介紹

異常檢測對于現(xiàn)代工業(yè)系統(tǒng)的可靠性和安全性至關(guān)重要。及時(shí)準(zhǔn)確的異常檢測有助于預(yù)防重大事故的發(fā)生，提高生產(chǎn)效率。然而，工業(yè)生產(chǎn)中數(shù)據(jù)類不平衡的情況比較嚴(yán)重，在正常條件下的樣本比在異常條件下的樣本普遍得多，為準(zhǔn)確診斷工業(yè)設(shè)備故障造成了巨大的障礙。此外，工業(yè)系統(tǒng)總是具有非線性和不確定性，這對模型訓(xùn)練提出了很大的挑戰(zhàn) [1]。

工業(yè)異常檢測的數(shù)據(jù)一般是不同傳感器在一定時(shí)間內(nèi)記錄的電流、溫度等物理信號，也稱為時(shí)間序列。對于工業(yè)異常檢測領(lǐng)域，時(shí)間序列通常作為訓(xùn)練模型的輸入數(shù)據(jù) [2]。一般以時(shí)間序列為輸入，異常檢測框架通常分為特征提取和故障識別兩個(gè)階段。通過特征提取算法，將時(shí)間序列預(yù)處理為低維特征向量，送入故障檢測器進(jìn)行故障檢測 [3]。機(jī)器學(xué)習(xí)算法作為一種強(qiáng)大的異常檢測模式識別工具，已經(jīng)成為關(guān)注的焦點(diǎn)，包括貝葉斯分類器、支持向量機(jī)方法等 [4]。上述方法都是假設(shè)基于類平衡的情況，然而當(dāng)數(shù)據(jù)分類不平衡時(shí)這些方法難以獲得較高的精度 [5]。除了數(shù)據(jù)集的類均衡假設(shè)外，標(biāo)記數(shù)據(jù)也是訓(xùn)練階段機(jī)器學(xué)習(xí)算法的關(guān)鍵。然而，在許多實(shí)際的工業(yè)系統(tǒng)中，來自異常情況下的樣本數(shù)量往往很少。另外，當(dāng)系統(tǒng)在正常狀態(tài)下運(yùn)行了很長一段時(shí)間后，突然出現(xiàn)異常，要準(zhǔn)確定位異常的發(fā)生時(shí)間是極其困難的 [6]。因此，不準(zhǔn)確的異常標(biāo)簽也會對異常檢測的準(zhǔn)確性產(chǎn)生不利的影響。

當(dāng)正常和異常的標(biāo)簽不平衡時(shí)，機(jī)器學(xué)習(xí)方法的分類器會犧牲少數(shù)類來保證多數(shù)類的準(zhǔn)確性，這意味著分類結(jié)果會偏向于測試樣本整體的正態(tài)性 [5]。但是，對于工業(yè)系統(tǒng)中的異常檢測，我們應(yīng)該特別關(guān)注那些處于少數(shù)情況的類，如何能夠準(zhǔn)確捕捉和判別異常數(shù)據(jù)是當(dāng)前工業(yè)系統(tǒng)中異常檢測的重點(diǎn)。在2014年，由Goodfellow等人提出的生成對抗網(wǎng)絡(luò)(GAN)為解決工業(yè)中類不平衡問題提供了一個(gè)新的思路。這個(gè)網(wǎng)絡(luò)模型最先出現(xiàn)在“Generative Adversarial Networks”一文中，起初它被用于圖像識別領(lǐng)域，并取得了卓越的成績 [7]。GAN的基本思想是通過一個(gè)具有隨機(jī)數(shù)據(jù)點(diǎn)的生成器生成原型樣本，這些隨機(jī)數(shù)據(jù)點(diǎn)滿足一定的分布(如高斯分布)。在圖像的異常診斷領(lǐng)域，已經(jīng)有一些基于GAN的具有競爭力的網(wǎng)絡(luò)架構(gòu)被提出，如AnoGAN [8] 、BiGAN [9] 和GANomaly [10]。這些基于GAN的方法只訓(xùn)練正常圖像的模型，根據(jù)正常圖像和異常圖像的特征分布差異來區(qū)分異常圖像。從這一點(diǎn)出發(fā)，基于GAN的模型對于學(xué)習(xí)和識別不平衡數(shù)據(jù)集是有效的，可以防止診斷結(jié)果偏向于多數(shù)類。然而，在工業(yè)應(yīng)用中，基于GAN的異常檢測方法非常少見。經(jīng)過類似項(xiàng)目的調(diào)查研究，發(fā)現(xiàn)依次有基于GAN網(wǎng)絡(luò)的機(jī)械故障檢測方法 [11] 和基于GAN的不平衡數(shù)據(jù)故障診斷方法 [12] 被提出。這些研究啟發(fā)可以進(jìn)一步研究GAN在工業(yè)故障檢測方面的有效性，特別是在沒有異常數(shù)據(jù)的情況下。因此針對工業(yè)時(shí)間序列的特性，本文基于GANomaly，改善了生成器整體的損失函數(shù)，以實(shí)現(xiàn)類不平衡場景的檢測高精度。

在這項(xiàng)工作中，針對工業(yè)系統(tǒng)中異常數(shù)據(jù)的匱乏，本文提出了一種基于GAN的方法來解決智能異常檢測問題。這個(gè)方法的系統(tǒng)由一個(gè)生成器和一個(gè)判別器組成，將生成器和判別器進(jìn)行對抗訓(xùn)練得到訓(xùn)練后的模型來用于診斷。該系統(tǒng)的生成器基于卷積生成對抗網(wǎng)絡(luò)，采用“Encoder-Decoder-Encoder”為結(jié)構(gòu)的三子網(wǎng)絡(luò)。為了提高診斷性能，在原始數(shù)據(jù)和GAN之間插入數(shù)據(jù)轉(zhuǎn)換器對原始數(shù)據(jù)集進(jìn)行預(yù)處理。通過在CWRU滾動(dòng)軸承數(shù)據(jù)集的實(shí)驗(yàn)，驗(yàn)證了該方法的可行性和有效性。

本文的主要貢獻(xiàn)如下：

a) 針對工業(yè)領(lǐng)域的不平衡時(shí)間序列問題，提出了一種新的基于GAN的異常檢測方法。

b) 所提出的網(wǎng)絡(luò)訓(xùn)練中只需要正常樣本。這是一個(gè)比其他現(xiàn)有算法網(wǎng)絡(luò)更貼合現(xiàn)實(shí)場景的網(wǎng)絡(luò)。因?yàn)樵谡鎸?shí)的工業(yè)場景中，異常樣本的數(shù)量往往非常少。實(shí)驗(yàn)基于CWRU的滾動(dòng)軸承基準(zhǔn)數(shù)據(jù)集進(jìn)行了訓(xùn)練和調(diào)整，通過測試確保了該系統(tǒng)模型具有良好的診斷性能，并進(jìn)一步驗(yàn)證了本文方法的有效性，使其可以作為解決工業(yè)數(shù)據(jù)類不平衡問題的新思路。

2. 項(xiàng)目背景

2.1. 深度學(xué)習(xí)用于智能故障診斷

隨著各種工業(yè)系統(tǒng)中產(chǎn)生的時(shí)間序列數(shù)據(jù)流越來越動(dòng)態(tài)、復(fù)雜和龐大，許多用于深度學(xué)習(xí)的異常檢測技術(shù)得到了很好的發(fā)展。在調(diào)用這些深度學(xué)習(xí)模型的過程中，它們被賦予學(xué)習(xí)目的，但這并不意味它們清楚最終的輸出特性是什么。這些黑箱旨在為特定的數(shù)據(jù)集提取特定的模式，如長短時(shí)記憶網(wǎng)絡(luò)(LSTM)，遞歸神經(jīng)網(wǎng)絡(luò)(RNN)，卷積神經(jīng)網(wǎng)絡(luò)(CNN)。雖然上述的這些深度學(xué)習(xí)模型在異常檢測方面顯現(xiàn)出了許多卓越的性能，但在面對不平衡的數(shù)據(jù)集時(shí)，其準(zhǔn)確率仍然不能令人滿意 [13]。此外，由于數(shù)據(jù)表示的差異(如圖像和時(shí)間序列)，許多深度學(xué)習(xí)模型適用于圖像領(lǐng)域，但在工業(yè)領(lǐng)域往往難以實(shí)施和應(yīng)用。

2.2. 類不平衡問題

在基于不平衡時(shí)間序列的異常檢測中，通常會考慮兩種主要方法：數(shù)據(jù)級方法和算法級方法 [14]。數(shù)據(jù)級方法通常利用采樣策略改變不平衡的數(shù)據(jù)分布，其中廣泛使用過采樣和欠采樣兩種策略 [15]。算法級的方法一般采用調(diào)整分類器以適應(yīng)不平衡的數(shù)據(jù)，其中通常使用bagging和boost ensemble-based方法 [16]。具體的有Easy Ensemble [17] 和Balance Cascade [18] 算法被提出用于處理類不平衡問題。Easy Ensemble [17] 是通過多次從多數(shù)類樣本有放回的隨機(jī)抽取一部分樣本生成多個(gè)子數(shù)據(jù)集，將每個(gè)子集與少數(shù)類數(shù)據(jù)聯(lián)合起來進(jìn)行訓(xùn)練生成多個(gè)模型，然后集合多個(gè)模型的結(jié)果進(jìn)行判斷。這種方法看起來和隨機(jī)森林的原理很相似 [14]。Balance Cascade [17] 是通過一次隨機(jī)欠采樣產(chǎn)生訓(xùn)練集，訓(xùn)練一個(gè)分類器，對于那些分類正確的多數(shù)類樣本不放回，然后對這個(gè)剩下的多數(shù)類樣本再次進(jìn)行欠采樣產(chǎn)生第二個(gè)訓(xùn)練集，訓(xùn)練第二個(gè)分類器，同樣把分類正確的樣本不放回，以此類推，直到滿足某個(gè)停止條件，最終的模型也是多個(gè)分類器的組合 [17]。

2.3. GAN和GANOMALY

近年來，在類不平衡圖像的異常檢測中，對抗訓(xùn)練尤其是GAN占據(jù)了越來越重要的地位。GAN最早由Goodfellow等人提出，被認(rèn)為是一種無監(jiān)督機(jī)器學(xué)習(xí)算法，在圖像識別領(lǐng)域取得了突出的應(yīng)用效果。GAN的網(wǎng)絡(luò)結(jié)構(gòu)如圖1，使用原始數(shù)據(jù)對生成器進(jìn)行訓(xùn)練，生成器(Generator)產(chǎn)生新的樣本。生成器數(shù)據(jù)和真實(shí)訓(xùn)練數(shù)據(jù)輸入到判別器(Discriminator)中，訓(xùn)練得到能正確區(qū)分?jǐn)?shù)據(jù)類型的判別器。判別器和生成器相互對抗，生成器通過學(xué)習(xí)來產(chǎn)生更逼近真實(shí)數(shù)據(jù)的新樣本，用于欺騙判別器，反之判別器也需要更好地區(qū)分生成數(shù)據(jù)與真實(shí)數(shù)據(jù)。自2014年以來，基于GAN的對抗性算法層出不窮，很多新的方法和框架被提出并取得了優(yōu)秀的表現(xiàn)。

Figure 1. Structure of generate adversarial network

圖1. 生成對抗網(wǎng)絡(luò)結(jié)構(gòu)

在圖像分類領(lǐng)域中，Akcay等人提出了一種通用的異常檢測體系結(jié)構(gòu)GANomaly。與以往的先進(jìn)方法相比，該結(jié)構(gòu)在多個(gè)基準(zhǔn)圖像數(shù)據(jù)集上具有顯著的優(yōu)越性和有效性 [10]，給予我們在工業(yè)領(lǐng)域的異常檢測一些啟發(fā)。下面是對GANomaly的簡要介紹。該模型中，其生成器由“編碼器–解碼器–編碼器”三子網(wǎng)構(gòu)成訓(xùn)練半監(jiān)督網(wǎng)絡(luò)，該結(jié)構(gòu)使用深度卷積生成對抗網(wǎng)絡(luò)(DCGAN) [18]，并在生成器中使用三個(gè)損失函數(shù)來捕獲輸入圖像和潛在空間中的特征。該算法的特點(diǎn)之一是不考慮異常樣本，并在圖像數(shù)據(jù)集中實(shí)現(xiàn)了優(yōu)異的異常檢測性能。

論文的其余結(jié)構(gòu)如下。第三部分提出了基于GAN的異常檢測框架。第四節(jié)和第五節(jié)分別介紹了實(shí)驗(yàn)裝置和實(shí)驗(yàn)結(jié)果。第六部分為結(jié)論和未來工作。

3. 項(xiàng)目方法

圖2是本文提出的方法概述。圖中可以看出在訓(xùn)練階段，這個(gè)系統(tǒng)模型只考慮正常樣本。本文使用數(shù)據(jù)轉(zhuǎn)換器來對樣本進(jìn)行處理并提取有用的特征，這些特征經(jīng)過轉(zhuǎn)換可以更好的被模型學(xué)習(xí)。系統(tǒng)中生成器采用編碼器–解碼器–編碼器三子網(wǎng)，判別器則是基于DCGAN網(wǎng)絡(luò)結(jié)構(gòu)。在檢測階段，異常樣本可以通過比正常樣本更高的異常分?jǐn)?shù)來識別。

3.1. 方法介紹

?

Figure 2. The proposed method framework

圖2. 本文方法框架

在訓(xùn)練的步驟中，用?DtrainDtrain?訓(xùn)練一個(gè)GAN-Based模型M。訓(xùn)練過程的目標(biāo)是最小化?DtrainDtrain?中每個(gè)子數(shù)據(jù)集的輸出。在訓(xùn)練過后，用于測試的數(shù)據(jù)集?DtestDtest?將會放入模型M。訓(xùn)練后的生成器將對故障樣本和正常樣本進(jìn)行相應(yīng)的編碼和解碼。由于訓(xùn)練后的網(wǎng)絡(luò)只學(xué)習(xí)了正常數(shù)據(jù)的可能表示模式，如果用異常數(shù)據(jù)樣本?DutestDtestu?作為輸入，那么模型M的輸出與正常輸入?DvtestDtestv?的輸出相比，會有很大的偏差。這個(gè)偏差值最終幫助確定異常樣本的存在。

3.2. 訓(xùn)練的過程

本文提出的方法中其訓(xùn)練階段的主要目的是正常條件下生成盡可能小的樣本分?jǐn)?shù)的模型。本文方法的網(wǎng)絡(luò)結(jié)構(gòu)由數(shù)據(jù)轉(zhuǎn)換器、生成器和判別器三部分組成。基本網(wǎng)絡(luò)架構(gòu)用DCGAN表示。在生成器的設(shè)計(jì)中，開發(fā)了一種由“Encoder-Decoder-Encoder”組成的三子網(wǎng)。在將數(shù)據(jù)輸入生成器之前，需要設(shè)計(jì)一個(gè)數(shù)據(jù)轉(zhuǎn)換器將一維的時(shí)間序列數(shù)據(jù)轉(zhuǎn)為二維的圖像數(shù)據(jù)，可以幫助DCGAN更好的提取和學(xué)習(xí)樣本特征。基于普適性原則，不對原始數(shù)據(jù)進(jìn)行其他處理，因此任何時(shí)間序列都可以封裝到這些特征中。在訓(xùn)練過程中，首先在正常條件下提取時(shí)間序列的特征，然后利用本文設(shè)計(jì)的異常檢測器獲得這些特征的數(shù)據(jù)分布和可能的代表模式。在測試階段，將異常樣本輸入訓(xùn)練好的異常檢測器，異常數(shù)據(jù)的特征分布會得到比正常樣本更高的分?jǐn)?shù)，以此為差異來識別和診斷。

3.2.1. 生成器和判別器

在生成器中，第一個(gè)編碼器用于學(xué)習(xí)樣本原始特征F的表征，第二個(gè)編碼器用于生成再生特征F^。同時(shí)，解碼器?GdGd?用于試圖重建F^。整個(gè)過程如下：

該生成器保證了原始特征集F的特征不變的同時(shí)可以得到潛在向量Z的模式。判別器(Discriminator)采用DCGAN中引入的標(biāo)準(zhǔn)判別器網(wǎng)絡(luò)，用于判斷輸入數(shù)據(jù)是真實(shí)的還是生成的。根據(jù)判別器的反饋再對生成器進(jìn)行調(diào)整和訓(xùn)練。在定義了整個(gè)網(wǎng)絡(luò)架構(gòu)之后，本文將稱述如何定義訓(xùn)練的損失函數(shù)。

3.2.2. 目標(biāo)函數(shù)

在訓(xùn)練階段，因?yàn)橹挥?xùn)練正常數(shù)據(jù)集?DtrainDtrain，所以模型M只會獲得正常數(shù)據(jù)集下的模式。但是在測試階段，M需要通過輸出更高的異常分?jǐn)?shù)來確定異常樣本。那就意味著?GdGd?和?GeGe?將會解碼潛在表示Z和重新編碼F^，這與在訓(xùn)練階段獲得的模式類似。之后F^和Z^將不可避免地與原來的F和Z產(chǎn)生差異，這樣有助于我們識別異常故障。

由于生成器的結(jié)構(gòu)是采用“Encoder-Decoder-Encoder”組成的三個(gè)子網(wǎng)絡(luò)，因此生成器的最終損失函數(shù)將由欺騙損失(Fraud Loss)、表面損失(Apparent Loss)和潛在損失(Latent Loss)三部分組成，接下來將會分別對三個(gè)損失函數(shù)進(jìn)行說明。

欺騙損失：在這里引入fraud loss的目的是為了誘導(dǎo)判別器將生成器生成的樣本誤判為真實(shí)的工業(yè)樣本。將生成的樣本輸入判別器，通過判別器輸出計(jì)算的fraud loss，公式如下：

3.3. 測試步驟

在測試階段，我們的模型使用潛在損失和表面損失對檢測到的測試數(shù)據(jù)樣本進(jìn)行評分。判定樣本分?jǐn)?shù)的公式可以定義為：

在這一部分中，我們使用?ωaωa，?ωlωl?的比率作為合適的加權(quán)值超參數(shù)?λλ，意思是此處使用最好的訓(xùn)練結(jié)果，即最小的生成器損失和判別器損失。因?yàn)楸疚奶岢龅姆椒ㄖ辉谡?shù)據(jù)樣本上訓(xùn)練異常檢測器，所以實(shí)驗(yàn)中的異常檢測器將只學(xué)習(xí)和識別正常樣本的潛在模式和數(shù)據(jù)分布。在這個(gè)判定公式中，正常樣本得到的T(F)將接近于0，而對于異常樣本，公式得到的值將相對大很多。在測試中，通過公式T(F)的值的波動(dòng)可以很容易地找到異常。

4. 實(shí)驗(yàn)設(shè)置

為了評估本文方法的可行性和有效性，實(shí)驗(yàn)和測試將在凱斯西儲大學(xué)(CWRU)獲得的滾動(dòng)軸承數(shù)據(jù)上進(jìn)行，實(shí)驗(yàn)臺如圖3所示。

Figure 3. Testing bed in CWRU

圖3. CWRU實(shí)驗(yàn)臺

4.1. 數(shù)據(jù)集描述

這是一個(gè)基準(zhǔn)軸承異常檢測數(shù)據(jù)集，通過在電機(jī)上使用加速度計(jì)測量軸承的振動(dòng)信號得到。采用電火花加工方法對電機(jī)軸承進(jìn)行了故障樣本創(chuàng)建。分別在內(nèi)滾道(IR)，滾動(dòng)部件(i.e. Ball)和外滾道(OR)創(chuàng)建了直徑范圍在0.007英寸到0.028英寸的故障點(diǎn)。故障軸承被重新安裝到測試電機(jī)中，并記錄電機(jī)負(fù)載從0到3馬力(電機(jī)速度從1720到1797 rpm)。數(shù)據(jù)集的采樣頻率為48 kHz，每個(gè)數(shù)據(jù)集文件由三種類型的信號組成，即驅(qū)動(dòng)端加速度計(jì)信號、風(fēng)扇端加速度計(jì)信號和基礎(chǔ)加速度計(jì)信號。表1總結(jié)了實(shí)驗(yàn)中數(shù)據(jù)集的詳細(xì)信息。

	CWRU數(shù)據(jù)
信號類型	振動(dòng)信號
信噪比	高
采樣頻率(kHz)	48
運(yùn)轉(zhuǎn)速度(rmp)	1730，1750，1772，1797
故障直徑	0.007，0.014，0.021，0.028
故障類型	IR，OR，B

Table 1. Data parameters collected by CWRU

表1. CWRU數(shù)據(jù)集的參數(shù)

4.1. 數(shù)據(jù)集處理

我們將正常數(shù)據(jù)樣本分為訓(xùn)練集和測試集兩個(gè)部分。對于來源于CWRU的滾動(dòng)軸承數(shù)據(jù)集，得到的初始訓(xùn)練數(shù)據(jù)集?DtrainDtrain?都是傳感器在一段時(shí)間t內(nèi)記錄的樣本。這些數(shù)據(jù)可以寫成矩陣型式，

在項(xiàng)目的實(shí)際訓(xùn)練中發(fā)現(xiàn)樣本的數(shù)量以及樣本的多樣性需要得到進(jìn)一步擴(kuò)充，因此采用了對初始數(shù)據(jù)進(jìn)行分割的方法來處理數(shù)據(jù)集。將時(shí)間t內(nèi)記錄的樣本進(jìn)行分割，依次取連續(xù)不間斷的3136個(gè)數(shù)據(jù)點(diǎn)作為新樣本。這個(gè)新數(shù)據(jù)樣本是一個(gè)1 × 3136的矩陣?Dti=[Xi1,Xi2,Xi3,?,Xi3136]Dti=[Xi1,Xi2,Xi3,?,Xi3136]。然后將數(shù)據(jù)轉(zhuǎn)換成4 × 28 × 28的矩陣，此處可以理解為將一維的原始數(shù)據(jù)轉(zhuǎn)變成了4張尺寸為1 × 28 × 28的圖像數(shù)據(jù)作為輸入模型的訓(xùn)練數(shù)據(jù)，經(jīng)過處理得到訓(xùn)練集?Dtrain∈Rt×bDtrain∈Rt×b?(b是訓(xùn)練樣本的數(shù)量)。眾所周知GAN這一網(wǎng)絡(luò)模型最初就是在圖像識別領(lǐng)域展現(xiàn)了優(yōu)異的性能，因此對數(shù)據(jù)進(jìn)行該項(xiàng)處理可以優(yōu)化模型對樣本特征的學(xué)習(xí)和提取。

對應(yīng)的測試樣本是?Dtest=[Dvtest,Dutest]∈Rt×(v+u)Dtest=[Dtestv,Dtestu]∈Rt×(v+u)，v和u分別是正常樣本和異常樣本的數(shù)量。所以這個(gè)項(xiàng)目的樣本總數(shù)n可以表示為?n=b+v+un=b+v+u。在CWRU的數(shù)據(jù)集中，實(shí)驗(yàn)使用正常狀態(tài)條件下b = 400的樣本來訓(xùn)練異常檢測器，同時(shí)設(shè)置了v = 541和u = 383的沒有標(biāo)簽的樣本用于測試集。

4.3. 實(shí)施細(xì)節(jié)

實(shí)驗(yàn)的具體實(shí)施放在PyTorch中，并使用了Adam優(yōu)化網(wǎng)絡(luò)來實(shí)現(xiàn)本文提出的方法。首先設(shè)定訓(xùn)練模型的參數(shù)，初始化學(xué)習(xí)率設(shè)為?lr=0.0001lr=0.0001，動(dòng)量?β1,β2β1,β2?的值分別設(shè)為0.5和0.999。對于兩個(gè)數(shù)據(jù)集，每個(gè)模型在訓(xùn)練時(shí)epochs都設(shè)為50，batch-size即一次訓(xùn)練樣本的數(shù)量設(shè)為32。本文提出的方法的具體網(wǎng)絡(luò)結(jié)構(gòu)在表2中進(jìn)行了詳細(xì)的說明。

Table 2. Model network structure

表2. 模型網(wǎng)絡(luò)結(jié)構(gòu)

Ks/S?1?= Kernel Size/Stride.

5. 實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)時(shí)，將凱斯西儲大學(xué)(CWRU)收集的滾動(dòng)軸承數(shù)據(jù)輸入本文方法構(gòu)建的系統(tǒng)中，生成器經(jīng)過訓(xùn)練集數(shù)據(jù)的訓(xùn)練生成初始的網(wǎng)絡(luò)模型，接著將生成器生成的樣本輸入判別器，根據(jù)判別器反饋的結(jié)果，對生成器進(jìn)行新的訓(xùn)練，直到判別器能成功被生成器生成的樣本所欺騙，此時(shí)生成器的訓(xùn)練收斂。接著調(diào)用生成器訓(xùn)練后的網(wǎng)絡(luò)模型對測試樣本進(jìn)行測試，得到并輸出該樣本數(shù)據(jù)的得分情況。所提出方法的CWRU數(shù)據(jù)集得分如圖4所示。

Figure 4. CWRU data experimental results

圖4. CWRU數(shù)據(jù)實(shí)驗(yàn)結(jié)果

從這張輸出結(jié)果圖中可以看出因?yàn)闈L動(dòng)軸承的故障情況不同，所以每種情況所得分值也明顯不同。同時(shí)表示閾值的藍(lán)色虛線清晰的分隔了正常和異常樣本。紅色的數(shù)值點(diǎn)是正常樣本在生成器中的得分情況，可以清楚的看出正常樣本的Scores值區(qū)間小于0.02并總體呈均勻分布，此處可以進(jìn)一步驗(yàn)證該生成器的訓(xùn)練收斂了。圖中紫色的點(diǎn)代表內(nèi)滾道故障樣本的得分情況，該類型樣本的整體分布較為混亂，得分區(qū)間在[0.04, 0.06]之間。圖中黃色的點(diǎn)代表外滾道故障樣本的得分情況，該類型的整體得分情況最為分散。此外圖中綠色的點(diǎn)代表滾動(dòng)部件故障樣本的得分情況，此故障的得分情況相較其余兩種較為穩(wěn)定，得分區(qū)間在[0.08, 0.10]之間。該得分結(jié)果還表明，滾動(dòng)故障(圖中的Ball fault)數(shù)據(jù)的模式與正常樣本數(shù)據(jù)的模式最接近，而外滾道故障(圖中的OR fault)與正常數(shù)據(jù)模式的差異最大。

6. 項(xiàng)目結(jié)論

本文提出了一種基于生成對抗網(wǎng)絡(luò)(GAN)的針對工業(yè)時(shí)間序列不平衡的異常檢測體系結(jié)構(gòu)。與當(dāng)前大多數(shù)的深度學(xué)習(xí)方法相比，這種體系結(jié)構(gòu)的特點(diǎn)是只需要使用正常的數(shù)據(jù)樣本進(jìn)行訓(xùn)練，不用考慮工業(yè)系統(tǒng)中樣本分類不均衡的問題。在異常檢測之前，我們根據(jù)本項(xiàng)目工業(yè)數(shù)據(jù)的特征和網(wǎng)絡(luò)模型的特點(diǎn)設(shè)計(jì)了一個(gè)數(shù)據(jù)轉(zhuǎn)換器。然后利用“Encoder-Decoder-Encoder”構(gòu)建的生成器輸出較大的異常分?jǐn)?shù)來檢測異常樣本的存在。該網(wǎng)絡(luò)結(jié)構(gòu)在CWRU滾動(dòng)軸承數(shù)據(jù)集上實(shí)現(xiàn)了100%的測試精度。

隨著工業(yè)領(lǐng)域技術(shù)的進(jìn)步，以及設(shè)備的計(jì)算能力和存儲能力的提高，工業(yè)中的傳感器現(xiàn)在可以收集比以往更多更復(fù)雜的多元時(shí)間序列數(shù)據(jù)。在未來的工作中，針對多元的時(shí)間序列數(shù)據(jù)，如何將不同維度的信息進(jìn)行融合或者如何對這些工業(yè)數(shù)據(jù)進(jìn)行多進(jìn)程的學(xué)習(xí)和識別，會有更多的想法和嘗試。

關(guān)注微信公眾號：人工智能技術(shù)與咨詢。了解更多咨詢！

總結(jié)

以上是生活随笔為你收集整理的基于对抗生成网络的滚动轴承故障检测方法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。