基于全局優(yōu)化GAN的不平衡數(shù)據(jù)故障診斷

劉雪鋒，李京忠，王現(xiàn)輝

（1.許昌市數(shù)字化學(xué)習(xí)工程技術(shù)研究中心，河南 許昌 461000；2.河南理工大學(xué)機(jī)械與動(dòng)力工程學(xué)院，河南 焦作 454003）

1 引言

智能工廠中關(guān)鍵部件的故障監(jiān)測對(duì)安全、經(jīng)濟(jì)運(yùn)行具有重要意義［1-2］。在故障診斷領(lǐng)域中，經(jīng)常面臨數(shù)據(jù)嚴(yán)重不平衡的問題，如何解決數(shù)據(jù)不平衡條件下的故障診斷問題是故障預(yù)測與健康管理（Prognostics Health Management，PHM）領(lǐng)域研究的熱點(diǎn)問題［3］。

不平衡數(shù)據(jù)特征提取是數(shù)據(jù)驅(qū)動(dòng)故障診斷方法的關(guān)鍵步驟，常用的不平衡數(shù)據(jù)特征提取方法可分為兩類。第一類側(cè)重于對(duì)代價(jià)敏感學(xué)習(xí)算法的改進(jìn)，以提高對(duì)少量樣本的故障診斷精度［4］。但是這些代價(jià)敏感的分類方法面臨兩個(gè)困難：（1）錯(cuò)誤分類的代價(jià)無法確定。（2）通常很難找到一種有效的方法來評(píng)估代價(jià)敏感分類器的性能。第二類側(cè)重于使用一些數(shù)據(jù)預(yù)處理技術(shù)，如過采樣和欠采樣以減少不平衡［5］。然而，由于在欠采樣預(yù)處理過程中沒有加入額外的新知識(shí)，會(huì)出現(xiàn)過擬合問題，它會(huì)減少大多數(shù)類的樣本數(shù)，從而不可避免地導(dǎo)致信息丟失問題。生成對(duì)抗性網(wǎng)絡(luò)（GAN）通過同時(shí)優(yōu)化生成器和鑒別器，在有用的新樣本生成方面表現(xiàn)良好［6-8］。利用GAN生成故障樣本，解決了常規(guī)數(shù)據(jù)量大、故障數(shù)據(jù)量小造成的數(shù)據(jù)不平衡問題［9］。但是由于直接應(yīng)用于一維故障信號(hào)，對(duì)極不平衡故障數(shù)據(jù)仍不能達(dá)到令人滿意的診斷精度，因此將GAN應(yīng)用于故障診斷的文獻(xiàn)較少。其中有的利用GAN或改進(jìn)的GAN生成不平衡故障數(shù)據(jù)，有的采用反學(xué)習(xí)策略改進(jìn)判別器，避免故障診斷模型的過度擬合［10-11］。然而，上述文獻(xiàn)都是兩個(gè)階段的方法，GAN的訓(xùn)練和基于深度學(xué)習(xí)的故障診斷模型的訓(xùn)練是兩個(gè)獨(dú)立的階段。GAN的發(fā)生器和鑒別器的設(shè)計(jì)只保證產(chǎn)生的樣本和原始實(shí)際樣本之間的分布函數(shù)的一致性，而不考慮生成樣本對(duì)精確故障診斷模型的適用性。這將直接影響智能安全監(jiān)測的最終目的—故障診斷的準(zhǔn)確性。另一方面，GAN的訓(xùn)練過程還存在一些不足：（1）由于實(shí)際樣本太小而導(dǎo)致的模型崩潰問題，可能會(huì)產(chǎn)生一組無意義的樣本。因此GAN根本無法了解真實(shí)數(shù)據(jù)的分布。（2）梯度消失問題仍然是一大難題，它會(huì)使模型訓(xùn)練失敗。

針對(duì)上述問題，提出了一種基于全局優(yōu)化生成對(duì)抗網(wǎng)絡(luò)的不平衡數(shù)據(jù)故障診斷方法。通過實(shí)驗(yàn)驗(yàn)證了提出方法能夠有效解決不平衡數(shù)據(jù)故障診斷問題。

2 基于全局優(yōu)化GAN的故障診斷算法

2.1 生成器設(shè)計(jì)

為了充分利用失衡樣本的信息，設(shè)計(jì)了生成網(wǎng)絡(luò)來生成失衡樣本的特征，并利用實(shí)際特征來指導(dǎo)生成器的訓(xùn)練。然后對(duì)生成的特征進(jìn)行解碼，得到生成的樣本。具體流程如下：

首先，將隨機(jī)數(shù)Z作為生成器的輸入來生成Xfeɑturefɑke，如式（1）、式（2）所示。

式中：θG1=｛WG1，bG1｝，θG2=｛WG2，bG2｝分別連接生成器的輸入層與隱藏層，隱藏層和輸出層。WG1、WG2—權(quán)值矩陣；bG1、bG2—偏置向量；σ1—雙曲正切激活函數(shù)。

為了得到生成樣本Xfɑke，需要對(duì)Xfeɑturefɑke進(jìn)行解碼。為簡化計(jì)算，采用自編碼解碼網(wǎng)絡(luò)對(duì)Xfeɑturefɑke進(jìn)行解碼。這里需要使用失衡樣本Xreɑl訓(xùn)練一個(gè)自編碼器。具體的過程，如式（3）～式（4）所示。

其中，Xfeɑturereɑl是Xreɑl的特征向量；θAE=｛WAE，bAE｝為疊加3層AE 的DNN 編碼網(wǎng)絡(luò)參數(shù)，為對(duì)應(yīng)的解碼網(wǎng)絡(luò)參數(shù)。那么，該解碼器在Xfeɑturefɑke上的解碼過程可以表示為：

2.2 損失函數(shù)設(shè)計(jì)

對(duì)于傳統(tǒng)的GAN，通過最小化式（6）所示的交叉熵?fù)p失函數(shù)來優(yōu)化生成器網(wǎng)絡(luò)參數(shù)，以保證原始樣本Xreɑl和生成樣本Xfɑke的分布一致性［12］。

為了生成更多的符合故障診斷要求的故障樣本，利用基于DNN的故障診斷鑒別器的特征特性和故障診斷結(jié)果來指導(dǎo)生成器的訓(xùn)練。通過最小化式（7）中定義的新的損耗函數(shù)來優(yōu)化生成器的網(wǎng)絡(luò)參數(shù)。

其中，定義特征誤差損失函數(shù)Lfeɑture-error：

故障誤差損失函數(shù)Lfɑult-error表示為實(shí)際故障與診斷故障之間的差值。Lg可以引導(dǎo)生成器了解原始樣本的分布情況。Lfeɑture-error是使生成器產(chǎn)生的樣本盡可能接近原始樣本的振幅。Lfɑult-error用于使生成的樣本符合最終故障診斷要求。由于損耗函數(shù)設(shè)計(jì)中包含了Lfeɑture-error和Lfɑult-error，因此生成的樣本更有利于故障診斷。

2.3 鑒別器的設(shè)計(jì)

設(shè)計(jì)了一個(gè)兩級(jí)鑒別器。該鑒別器由故障診斷鑒別器D1和真實(shí)性鑒別器D2組成。具體的設(shè)計(jì)過程包括以下兩個(gè)步驟：

（1）建立基于DNN的故障診斷鑒別器D1

給定一個(gè)不平衡故障數(shù)據(jù)集X。

其中，Xnormɑl表示大樣本故障類別數(shù)據(jù)集，而Xreɑl表示小樣本故障類別數(shù)據(jù)集。基于SAE的深度神經(jīng)網(wǎng)絡(luò)（DNN）通過式（10）構(gòu)建。

式中：N—深度神經(jīng)網(wǎng)絡(luò)的層數(shù)；n1，n2，…，nN—深度神經(jīng)網(wǎng)絡(luò)每一層上隱藏層神經(jīng)元的數(shù)量。θ1=｛W1，b1｝，θ2=｛W2，b2｝，…，θN=｛WN，bN｝—深度神經(jīng)網(wǎng)絡(luò)每一層的網(wǎng)絡(luò)參數(shù)。由AE 堆疊構(gòu)成的DNN 用于從失衡的數(shù)據(jù)集中提取特征。DNN 的特征提取，如式（11）所示。

使用HN作為Softmax 分類器的輸入，訓(xùn)練好的Softmax 可以是一個(gè)很好的故障診斷模型［13］。利用少量的標(biāo)記數(shù)據(jù)，深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)Θ=｛θ1，θ2，…，θN，θN+1｝可以通過反向傳播算法調(diào)整。具體的優(yōu)化調(diào)整如下：

式中：α1—微調(diào)過程的學(xué)習(xí)速率，Lfɑult-error與式（7）相同。

（2）建立真實(shí)性鑒別器D2

真實(shí)性鑒別器的目的是區(qū)分D2的輸入是真實(shí)樣本還是生成樣本。提出的真實(shí)性鑒別器是一種三層BP神經(jīng)網(wǎng)絡(luò)，由輸入層、隱藏層和輸出層組成。要注意的是，特殊輸出層只有一個(gè)神經(jīng)元。利用反向傳播算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)。因此，有必要將真實(shí)性標(biāo)簽設(shè)置為鑒別器的輸入。所用的標(biāo)簽，如式（13）所示。

其中，Xreɑl對(duì)應(yīng)原始樣本，Xfɑke對(duì)應(yīng)生成樣本。

將原始樣本Xreɑl和Xfɑke為鑒別器的輸入，得到真?zhèn)舞b別結(jié)果dreɑl和dfɑke。然后采用式（14）所示的交叉熵?fù)p失函數(shù)對(duì)鑒別器進(jìn)行優(yōu)化：

其中J為樣本Xreɑl的個(gè)數(shù)K為生成樣本Xfɑke的個(gè)數(shù)。全局優(yōu)化GAN由兩個(gè)鑒別器和一個(gè)生成器組成。具體網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示。

圖1 全局優(yōu)化GAN網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Global Optimization of GAN Network Structure

2.4 對(duì)抗訓(xùn)練機(jī)制

針對(duì)傳統(tǒng)兩階段法對(duì)GAN和DNN診斷模型訓(xùn)練的不足，通過對(duì)生成器和兩級(jí)鑒別器的交替優(yōu)化來進(jìn)行對(duì)抗訓(xùn)練。

首先確定生成器G的網(wǎng)絡(luò)參數(shù)，對(duì)真實(shí)性鑒別器D2進(jìn)行優(yōu)化，使真實(shí)性鑒別器D2的鑒別能力最大化。然后，利用原始失衡數(shù)據(jù)集X建立一個(gè)基于粗DNN的故障診斷鑒別器D1。利用生成的樣本Xfɑke對(duì)DNN故障診斷模型進(jìn)行更新，減小故障診斷誤差。最后，利用式（16）在Lfeɑture-error和Lfɑult-error的指導(dǎo)下對(duì)生成器G進(jìn)行優(yōu)化，使生成的樣本更符合故障診斷的要求。當(dāng)鑒別器D1、D2和生成器G達(dá)到納什均衡時(shí)實(shí)現(xiàn)全局優(yōu)化。這里提出的基于全局優(yōu)化GAN可以生成更多的合格樣本，大大提高了故障診斷識(shí)別器的效率。對(duì)于每一次迭代，迭代過程如下：

（1）訓(xùn)練真實(shí)性鑒別器D2

將原失衡故障樣本Xreɑl和通過迭代生成的樣本Xfɑke（s）作為真實(shí)性鑒別器D2的輸入。并使用式（13）設(shè)置真實(shí)性標(biāo)簽。通過最小化式（14）優(yōu)化真實(shí)性鑒別器D2的網(wǎng)絡(luò)參數(shù)，如式（15）所示。

式中：NetD2（s）—真實(shí)性鑒別器D1經(jīng)過第s次訓(xùn)練后的網(wǎng)絡(luò)，NetD2（s-1）—真實(shí)性鑒別器D1 經(jīng)過第s-1 次訓(xùn)練后的網(wǎng)絡(luò)。Ld為真實(shí)性鑒別器D1的損失函數(shù)。

（2）擴(kuò)展失衡故障樣本集

利用GOGAN 生成器生成與小故障類相對(duì)應(yīng)的故障樣本XG（s）。利用XG（s）擴(kuò)展原始失衡數(shù)據(jù)集X，并設(shè)置相應(yīng)的故障類標(biāo)簽。具體情況如下：

（3）訓(xùn)練基于DNN的故障診斷鑒別器D1

擴(kuò)展數(shù)據(jù)集XG（s）作為基于DNN的故障診斷鑒別器D1的輸入。同時(shí)，不斷更新網(wǎng)絡(luò)參數(shù)，提高故障診斷能力。具體過程可以表示為：

式中：NetD1（s）—故障診斷鑒別器D1 第s次訓(xùn)練后的網(wǎng)絡(luò)，NetD1（s-1）—故障診斷鑒別器D1 第s-1 次訓(xùn)練后的網(wǎng)絡(luò)。Lfɑult-error—故障診斷鑒別器D1的損失函數(shù)。

（4）訓(xùn)練生成器

生成的樣本Xfɑke作為真實(shí)性鑒別器D2和故障診斷鑒別器D1的輸入，得到真實(shí)性鑒別損失Lg和故障診斷損失Lfɑult-error。在式（7）中定義了新的生成器損失函數(shù)，對(duì)生成器的網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，提高生成器的工作能力［14］。生成器的訓(xùn)練可以表示為：

式中：NetG（s）—生成器第s次訓(xùn)練后的網(wǎng)絡(luò)；NetG（s-1）—生成器第s-1次訓(xùn)練后的網(wǎng)絡(luò)；Z（s）—第s次訓(xùn)練時(shí)輸入生成器的隨機(jī)數(shù)；LG—生成器的損失函數(shù)。

在每次迭代中，以上四個(gè)步驟交替執(zhí)行。在訓(xùn)練過程中，記錄生成器和鑒別器D1在每次迭代中的損失值LG（s）和Ld（s），其中s表示第s次迭代。當(dāng)滿足以下條件時(shí)，認(rèn)為訓(xùn)練達(dá)到納什均衡，可以停止訓(xùn)練。

其中LG（s）和Ld（s）由式（7）和式（14）確定。當(dāng)達(dá)到納什均衡時(shí)，基于全局優(yōu)化的GAN訓(xùn)練完成。同時(shí)，還能產(chǎn)生高質(zhì)量的故障樣本。基于SAE的故障診斷鑒別器D1也可以獲得高精度的故障診斷結(jié)果。

3 TE過程故障數(shù)據(jù)集研究

3.1 數(shù)據(jù)描述

田納西-伊斯曼（Tennessee Eastman，TE）過程由伊斯曼化學(xué)公司創(chuàng)建，為評(píng)價(jià)過程控制和監(jiān)控方法提供一個(gè)現(xiàn)實(shí)的工業(yè)過程，對(duì)一般化工過程具有一定的代表性。利用在TE過程仿真中采集的數(shù)據(jù)來比較各種故障檢測和診斷方法的有效性，已在過程監(jiān)控領(lǐng)域得到了廣泛的應(yīng)用。TE過程主要由反應(yīng)器、冷凝器、汽提塔、氣液分離塔、壓縮機(jī)等多個(gè)操作單元構(gòu)成，田納西－伊士曼過程的流程圖，如圖2 所示。TE過程共有41個(gè)測量變量和12個(gè)控制變量。TE過程包含21種故障類型，故障模式1-7是關(guān)于過程變量的階躍故障，故障模式8-12是隨機(jī)變化故障，故障模式13是化工反應(yīng)動(dòng)力學(xué)的慢漂移故障，故障模式14-15是相應(yīng)的粘滯故障，故障模式16-20是未知故障，故障模式21為恒定位置故障。由于TE過程中故障類型較多，在本次實(shí)驗(yàn)中，選取了6個(gè)故障和正常數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。所選故障包括故障1、故障2、故障4、故障5、故障6和故障11。從文獻(xiàn)［15］中可以看出，故障4、故障5和故障11難以檢測。為了證明所提算法的魯棒性，本節(jié)進(jìn)行了兩種情況下的實(shí)驗(yàn)。分別是常規(guī)故障診斷實(shí)驗(yàn)和小故障診斷實(shí)驗(yàn)。訓(xùn)練數(shù)據(jù)每個(gè)類包含400個(gè)樣本，總共使用1200個(gè)訓(xùn)練樣本，測試樣本數(shù)量與訓(xùn)練樣本相同。

圖2 TE過程圖Fig.2 TE Process Diagram

第1階段的深度神經(jīng)網(wǎng)絡(luò)針對(duì)RUL預(yù)測的回歸問題進(jìn)一步擴(kuò)展，并使用帶有RUL標(biāo)簽的有監(jiān)督數(shù)據(jù)進(jìn)行訓(xùn)練。此外，為了增強(qiáng)模型泛化能力，通過對(duì)抗訓(xùn)練將來自不同軸承的數(shù)據(jù)分布差異最小化。來自不同訓(xùn)練和測試軸承的健康狀態(tài)數(shù)據(jù)被投影到學(xué)習(xí)的子空間中的同一區(qū)域中，并且各種訓(xùn)練軸承的退化數(shù)據(jù)也被映射到相同的區(qū)域。這樣，可以提取不同軸承實(shí)體之間的共享特征，并可以大大提高測試數(shù)據(jù)的預(yù)測性能。

3.2 常規(guī)故障診斷實(shí)驗(yàn)分析

本節(jié)選取故障1、故障2和故障6來測試這里不同故障診斷方法的效率。為了驗(yàn)證算法在數(shù)據(jù)失衡情況下的有效性，我們將故障1、故障2、故障6分別設(shè)置為失衡類別。本節(jié)實(shí)驗(yàn)失衡比例分別為：40：1，20：1，10：1，5：1，2.5：1，5：1。為了減少隨機(jī)性的影響，每次實(shí)驗(yàn)重復(fù)20次，取平均值作為最終的故障診斷準(zhǔn)確率。比較了這里提出的SAE（no sampling）、SAE（SMOTE）、SAE（ADASYN）、GAN-SAE、cGAN-SAE 和GOGAN-SAE 在不同失衡比下的準(zhǔn)確性。上述幾種方法的模型參數(shù)設(shè)置，如表1所示。

表1 各個(gè)模型的網(wǎng)絡(luò)參數(shù)設(shè)置Tab.1 Network Parameter Setting of Each Model

在失衡比為10：1時(shí)，失衡故障1、故障2、故障6的故障診斷準(zhǔn)確率，如表2～表4 所示。SAE（no sampling）診斷準(zhǔn)確率僅為48.35%、45.25%和49.05%，而這里提出的GOGAN-SAE 可達(dá)到85.52%、83.25%和86.50%，如表10～表12 所示。與傳統(tǒng)的基于DNN 的診斷方法相比，提高了約37%。與其他兩種過采樣算法（SMOTE和ADASYN）相比，GOGAN-SAE也有顯著優(yōu)勢(shì)。

表2 故障1失衡比10：1時(shí)的故障診斷準(zhǔn)確率Tab.2 Accuracy of Fault Diagnosis When the Imbalance Ratio of Fault 1 is 10：1

表3 故障2失衡比10：1時(shí)的故障診斷準(zhǔn)確率Tab.3 Accuracy of Fault Diagnosis When the Imbalance Ratio of Fault 2 is 10：1

表4 故障6失衡比10：1時(shí)的故障診斷準(zhǔn)確率Tab.4 Accuracy of Fault Diagnosis When the Imbalance Ratio of Fault 6 is 10：1

不同條件下失衡故障1、失衡故障2和失衡故障6的故障診斷準(zhǔn)確率，如表5～表7所示。可以看出，隨著失衡故障樣本量的增加，SAE故障診斷結(jié)果逐漸變好，這也說明DNN故障診斷結(jié)果取決于樣本量。在樣本失衡的情況下，基于DNN的故障診斷算法將大大降低失衡故障樣本的故障診斷精度。從表中也可以清楚的看到，在不同的條件下，提出的GOGAN-SAE故障診斷方法對(duì)于提高失衡故障的診斷準(zhǔn)確率有很好的效果。對(duì)于不同的失衡比，基于GOGAN-SAE的故障診斷算法相對(duì)于其他5種方法保持著顯著的優(yōu)勢(shì)。特別是在極失衡的條件下，GOGAN-SAE的診斷結(jié)果具有明顯的優(yōu)勢(shì)。

表6 不同失衡比下故障2的診斷準(zhǔn)確率Tab.6 Diagnostic Accuracy of Fault 2 Under Different Imbalance Ratio

表7 不同失衡比下故障6的診斷準(zhǔn)確率Tab.7 Diagnostic Accuracy of Fault 6 Under Different Imbalance Ratio

3.3 微小故障診斷實(shí)驗(yàn)分析

為了證明該算法對(duì)微小故障診斷的效果，本節(jié)選擇故障4、故障5和故障11進(jìn)行實(shí)驗(yàn)驗(yàn)證。

當(dāng)失衡比為10：1時(shí)，失衡微小故障4、故障5和故障11的故障診斷準(zhǔn)確率，如表8～表10所示。SAE（no sampling）診斷準(zhǔn)確率僅為26.75%、22.05%和24.53%，而這里提出的GOGAN-SAE可達(dá)到58.48%、53.52%和55.62%，如表16～表18 所示。也可以看出，所提出的算法優(yōu)于SMOTE 和ADASYN 算法。對(duì)比表10～表12，由表16～表18可以看出，雖然微小故障的故障診斷精度低于常規(guī)故障，但這里提出的GOGAN-SAE 算法比SAE（no sampling）高出31%。

表8 故障4失衡比10：1時(shí)的故障診斷準(zhǔn)確率Tab.8 Accuracy of Fault Diagnosis When the Imbalance Ratio of Fault 4 is 10：1

表9 故障5失衡比10：1時(shí)的故障診斷準(zhǔn)確率Tab.9 Accuracy of Fault Diagnosis When the Imbalance Ratio of Fault 5 is 10：1

表10 故障11失衡比10：1時(shí)的故障診斷準(zhǔn)確率Tab.10 Accuracy of Fault Diagnosis When the Imbalance Ratio of Fault 11 is 10：1

表11 不同失衡比下故障4的診斷準(zhǔn)確率Tab.11 Diagnostic Accuracy of Fault 4 Under Different Imbalance Ratio

表12 不同失衡比下故障5的診斷準(zhǔn)確率Tab.12 Diagnostic Accuracy of Fault 5 Under Different Imbalance Ratio

表13 不同失衡比下故障11的診斷準(zhǔn)確率Tab.13 Diagnostic Accuracy of Fault 11 Under Different Imbalance Ratio

表14 失衡比10：1時(shí)21種故障的診斷準(zhǔn)確率Tab.14 Diagnostic Accuracy of 21 Kinds of Faults When Imbalance Ratio is 10：1

表15 APS數(shù)據(jù)集情況Tab.15 APS Data Set

表16 網(wǎng)絡(luò)參數(shù)設(shè)置Tab.16 Network Parameter Setting

表17 失衡比10：1時(shí)負(fù)類故障診斷準(zhǔn)確率Tab.17 Accuracy Rate of Negative Fault Diagnosis When Imbalance Ratio is 10：1

表18 不同失衡比下負(fù)類的故障診斷準(zhǔn)確率Tab.18 Accuracy of Negative Fault Diagnosis Under Different Imbalance Ratio

不同實(shí)驗(yàn)案例下失衡故障4、失衡故障5和失衡故障11的故障診斷準(zhǔn)確率，如表11～表13所示。從表中也可以清楚的看到，在不同的條件下，在所有的實(shí)驗(yàn)案例中，這里提出的GOGAN-SAE故障診斷方法對(duì)于提高失衡故障的診斷準(zhǔn)確率都有很好的效果。

與易檢測故障對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果相比，雖然對(duì)難檢測故障進(jìn)行故障診斷的準(zhǔn)確率有所降低，但這里的方法診斷準(zhǔn)確率仍有很大提高。為了證明這里算法對(duì)TE過程數(shù)據(jù)中其他故障的有效性，失衡比為10：1時(shí)所有21個(gè)故障的診斷準(zhǔn)確率，如表14所示。

從表14可以看出，提出的方法與其他五種方法相比具有明顯的優(yōu)勢(shì)。同時(shí)從表中可以看出，故障3、9、15、19也難以檢測，導(dǎo)致這六種算法的診斷準(zhǔn)確率較低。事實(shí)上，這些故障的異常信號(hào)與正常行為對(duì)應(yīng)的信號(hào)具有相似的統(tǒng)計(jì)特征。然而，這里的算法準(zhǔn)確性提高令人印象深刻。

在本節(jié)中，我們討論了TE過程數(shù)據(jù)的實(shí)驗(yàn)結(jié)果。從實(shí)驗(yàn)結(jié)果可以看出，提出的GOGAN-SAE算法在數(shù)據(jù)失衡的情況下表現(xiàn)出良好的性能。即使對(duì)全部21種故障進(jìn)行故障診斷，也能保持其優(yōu)于其他5種現(xiàn)有方法的優(yōu)勢(shì)。

4 APS數(shù)據(jù)集驗(yàn)證

4.1 數(shù)據(jù)描述

氣壓系統(tǒng)APS（Air Pressure System）數(shù)據(jù)集來源于瑞典重型Scania卡車工況傳感器采集的數(shù)據(jù)。卡車的氣壓系統(tǒng)產(chǎn)生剎車和齒輪變速等各種功能需要的壓縮空氣，對(duì)卡車的安全行駛具有重要意義。在APS數(shù)據(jù)集中，正例數(shù)據(jù)記錄氣壓系統(tǒng)在故障狀態(tài)下的工況信息，反例記錄正常狀態(tài)下的工況信息。所有數(shù)據(jù)均經(jīng)過專家人工檢查。

該數(shù)據(jù)集包括從日常使用的重型斯堪尼亞卡車收集的數(shù)據(jù)，正類包含APS系統(tǒng)特定組件的組件故障。負(fù)類包括與APS無關(guān)的組件出現(xiàn)的故障。數(shù)據(jù)由專家挑選的所有可用數(shù)據(jù)的子集組成。數(shù)據(jù)集有60000個(gè)樣本，其中正類有59000個(gè)，負(fù)類有1000個(gè)。每個(gè)樣本包含170個(gè)特征變量。具體數(shù)據(jù)集情況，如表15所示。

4.2 實(shí)驗(yàn)分析

在本節(jié)的實(shí)驗(yàn)中，有500個(gè)針對(duì)APS故障的訓(xùn)練數(shù)據(jù)。數(shù)據(jù)失衡比分別設(shè)置為100：1、50：1、20：1、10：1、5：1、2：1。為了減少隨機(jī)性的影響，每次實(shí)驗(yàn)重復(fù)20次，取其平均值作為最終的故障診斷準(zhǔn)確率。同樣，提出的方法在4.1節(jié)和4.2節(jié)與其他五種方法進(jìn)行了比較。本節(jié)實(shí)驗(yàn)建立的網(wǎng)絡(luò)模型參數(shù)，如表16所示。

對(duì)于失衡比為10：1時(shí)，表16給出了失衡APS故障診斷的準(zhǔn)確率。SAE（no sampling）診斷準(zhǔn)確率只有45.28%，而這里提出的GOGAN-SAE可達(dá)到90.32%，如表17所示。對(duì)比表16的第2、3、6列可以看出，GOGAN的性能明顯優(yōu)于SMOTE和ADASYN。從第5列和第6列可以看出，與GAN-SAE和cGAN-SAE相比，提出的GOGAN-SAE診斷準(zhǔn)確率至少提高了9%。

表17 列出了APS 數(shù)據(jù)集的故障診斷精度。從表中可以看出，當(dāng)故障樣本數(shù)小于正常樣本數(shù)時(shí)，基于SAE的故障診斷準(zhǔn)確率較低。在樣本失衡的情況下，基于DNN的故障診斷算法會(huì)大大降低失衡樣本的故障診斷準(zhǔn)確率。

從表中可以明顯看出，在不同失衡比對(duì)應(yīng)的不同實(shí)驗(yàn)案例下，提出的GOGAN-SAE故障診斷方法對(duì)于提高失衡故障的診斷準(zhǔn)確率有著很好的效果。

5 結(jié)論

為解決不平衡數(shù)據(jù)深度學(xué)習(xí)特征提取不準(zhǔn)確，導(dǎo)致誤分類率高的問題，提出了一種基于全局優(yōu)化生成對(duì)抗網(wǎng)絡(luò)的不平衡數(shù)據(jù)故障診斷方法。通過分析驗(yàn)證可得如下結(jié)論：

（1）自動(dòng)編碼器解碼網(wǎng)絡(luò)和傳統(tǒng)的反傳神經(jīng)網(wǎng)絡(luò)來生成故障特征而不是故障數(shù)據(jù)本身。根據(jù)原故障特征和深度神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果指導(dǎo)生成器的訓(xùn)練，有效地避免了模型崩潰和梯度消失的問題。

（2）全局優(yōu)化GAN設(shè)計(jì)了一種全局優(yōu)化機(jī)制，對(duì)生成器、鑒別器和故障診斷模型進(jìn)行交替更新。對(duì)于各類不平衡數(shù)據(jù)的故障診斷精度提升具有更好的效果。且對(duì)于不同的失衡比數(shù)據(jù)，均能夠保持較好的診斷準(zhǔn)確率。