基于生成对抗网络的热泵系统故障诊断数据集扩充方法研究

作     者：孙哲 金华强 顾江萍 黄跃进 王新雷 郑爱武 沈希 Sun Zhe;Jin Huaqiang;Gu Jiangping;Huang Yuejin;Wang Xinlei;Zheng Aiwu;Shen Xi

作者机构：浙江工业大学机械工程学院杭州310023 浙江工业大学教育科学与技术学院杭州310023 伊利诺伊大学香槟校区农业与生物工程学院厄巴纳IL61801 加西贝拉压缩机有限公司嘉兴314011 

出 版 物：《高技术通讯》 (Chinese High Technology Letters)

年 卷 期：2021年第31卷第12期

页      面：1280-1292页

学科分类：0810[工学-信息与通信工程] 08[工学] 0805[工学-材料科学与工程（可授工学、理学学位）] 081404[工学-供热、供燃气、通风及空调工程] 0814[工学-土木工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(51076143) 浙江省重点研发计划(2020C04010) 浙江省基础公益研究计划(LGG19E050020,LGG18E050024)资助项目 

主　　题：生成对抗网络(GAN) 深度学习 数据集扩充 热泵系统 故障诊断 

摘      要：随着深度学习的发展,越来越多的热泵系统故障诊断方法引入深度学习技术并取得了较好的效果。基于深度学习的故障诊断技术需要依赖大量带有标记的故障数据,而现实中这类数据获取较为困难,这限制了智能诊断技术的应用。针对这一问题,本文提出利用生成对抗网络(GAN)学习故障数据的分布,并生成更多的标记数据,实现故障数据集的扩充。针对热泵系统运行数据结构复杂且不同故障间差异小给模型学习带来较大困难这一问题,本文提出利用热泵系统基准模型将运行数据转化为残差数据并作为训练数据,降低数据复杂度,增加差异性。利用MMD指标和1-NN指标对生成的数据进行分析,发现生成数据分布和真实数据接近,且利用残差数据训练的GAN模型质量更高。利用故障诊断方法对引入不同比例生成数据的模型训练结果进行分析,发现生成数据的引入可以提高数据量不足条件下的故障诊断精度。实验结果表明,基于GAN的数据扩充方法可有效降低智能诊断对标记数据的依赖,是一种应用前景广阔的技术。