公开(公告)号：CN113591954B

公开(公告)日：2023-10-27

申请号：CN202110818499.7

申请日：2021-07-20

Applicant: 哈尔滨工程大学

Inventor： 戴运桃 ,  梁源 ,  彭立章 ,  王淑娟 ,  曾占魁 ,  沈继红 ,  谭思超 ,  赵富龙 ,  关昊夫

IPC: G06F18/213 ,  G06F18/241 ,  G06N3/0464

Abstract: 本发明公开了一种工业系统中缺失的时序数据的填充方法，包括步骤一：数据预处理；步骤二：针对缺失的多元时序数据，以边界平衡生成对抗网络BEGAN模型为基础，构建生成对抗网络模型BiGRU‑BEGAN；步骤三：训练BiGRU‑BEGAN网络模型；步骤四：用训练好的BiGRU‑BEGAN模型生成完整的人工数据并填充原始缺失数据。本发明通过生成对抗网络与双向循环神经网络结合的模型，最大化利用真实存在的数据信息，生成符合原始缺失数据特征分布规律的完整人工数据，再将缺失数据填充完整。利用填充好的完整数据进行后续的故障分类任务，增加缺失数据的分类准确率。

公开(公告)号：CN112328588A

公开(公告)日：2021-02-05

申请号：CN202011352099.3

申请日：2020-11-27

Applicant: 哈尔滨工程大学

Inventor： 沈继红 ,  谭思超 ,  雋兆波 ,  戴运桃 ,  王淑娟 ,  梁源

IPC: G06F16/215 ,  G06N3/04

Abstract: 本发明公开了一种工业故障诊断非平衡时序数据扩充方法，步骤一：准备训练数据集；步骤二：构建GRU‑BEGAN的网络结构；步骤三：训练构建的GRU‑BEGAN网络模型；步骤四：根据训练好的GRU‑BEGAN生成对抗网络模型去生成小样本类型的人工数据，训练完成后的模型输入简单随机变量z|t，生成符合时间t的时序数据，将生成的数据集扩充至原始数据的小样本类型中，根据扩充后的数据集建立1D/2D‑CNN故障诊断模型。本发明在模型结构和损失函数上的改进使得模型收敛更快、数据质量更高，利用端到端的GRU‑BEGAN模型去训练故障数据中小样本时序数据集，得到生成的人工数据去增强原始数据集，提高故障诊断模型精确度。

公开(公告)号：CN113591954A

公开(公告)日：2021-11-02

申请号：CN202110818499.7

申请日：2021-07-20

Applicant: 哈尔滨工程大学

Inventor： 戴运桃 ,  梁源 ,  彭立章 ,  王淑娟 ,  曾占魁 ,  沈继红 ,  谭思超 ,  赵富龙 ,  关昊夫

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种工业系统中缺失的时序数据的填充方法，包括步骤一：数据预处理；步骤二：针对缺失的多元时序数据，以边界平衡生成对抗网络BEGAN模型为基础，构建生成对抗网络模型BiGRU‑BEGAN；步骤三：训练BiGRU‑BEGAN网络模型；步骤四：用训练好的BiGRU‑BEGAN模型生成完整的人工数据并填充原始缺失数据。本发明通过生成对抗网络与双向循环神经网络结合的模型，最大化利用真实存在的数据信息，生成符合原始缺失数据特征分布规律的完整人工数据，再将缺失数据填充完整。利用填充好的完整数据进行后续的故障分类任务，增加缺失数据的分类准确率。

公开(公告)号：CN112328588B

公开(公告)日：2022-07-15

申请号：CN202011352099.3

申请日：2020-11-27

Applicant: 哈尔滨工程大学

Inventor： 沈继红 ,  谭思超 ,  雋兆波 ,  戴运桃 ,  王淑娟 ,  梁源

IPC: G06F16/215 ,  G06N3/04

Abstract: 本发明公开了一种工业故障诊断非平衡时序数据扩充方法，步骤一：准备训练数据集；步骤二：构建GRU‑BEGAN的网络结构；步骤三：训练构建的GRU‑BEGAN网络模型；步骤四：根据训练好的GRU‑BEGAN生成对抗网络模型去生成小样本类型的人工数据，训练完成后的模型输入简单随机变量z|t，生成符合时间t的时序数据，将生成的数据集扩充至原始数据的小样本类型中，根据扩充后的数据集建立1D/2D‑CNN故障诊断模型。本发明在模型结构和损失函数上的改进使得模型收敛更快、数据质量更高，利用端到端的GRU‑BEGAN模型去训练故障数据中小样本时序数据集，得到生成的人工数据去增强原始数据集，提高故障诊断模型精确度。