一种基于 GAN 的不平衡工业时间序列故障诊断新方法
机器学习
2022-06-17 v1 机器学习
摘要
本文提出一种基于生成对抗网络 (GAN) 的新的故障诊断方法，用于正常样本远多于故障样本的不平衡工业时间序列。我们将精心设计的特征提取器与 GAN 结合以辅助整个网络的训练。为获取原始区分性特征与潜空间中数据分布及隐藏模式，GAN 中采用编码器-解码器-编码器三子网络结构，其基于深度卷积生成对抗网络 (DCGAN) 但去除 Tanh 激活层且仅在正常样本上训练。为验证方法的有效性与可行性，我们在 Case Western Reserve University 的滚动轴承数据上测试，并进一步在我们实验室采集的数据上验证。结果表明所提方法通过输出大得多的评估分数可在故障检测中取得优异性能。
引用
@article{arxiv.1904.00575,
title = {A Novel GAN-based Fault Diagnosis Approach for Imbalanced Industrial Time Series},
author = {Wenqian Jiang and Cheng Cheng and Beitong Zhou and Guijun Ma and Ye Yuan},
journal= {arXiv preprint arXiv:1904.00575},
year = {2022}
}