-
题名基于生成对抗网络的离心泵时序数据异常检测
被引量：1
- 1
-
-
作者
李思汉
黄倩
付强
张鑫宇
李云鹏
-
机构
江苏大学流体机械工程技术研究中心
中国核电工程有限公司
核电泵及装置智能诊断运维联合实验室
-
出处
《机电工程》
CAS
北大核心
2023年第12期1957-1964,共8页
-
基金
国家自然科学基金资助项目(U20A20292)。
-
文摘
针对离心泵数据采集的过程中存在异常数据的问题,对产生异常数据的原因、生成对抗网络的优化以及异常数据检测的方法等问题进行了研究,提出了一种基于生成对抗网络的离心泵时序数据异常检测方法(该方法可以优化生成对抗网络,解决梯度消失问题)。首先,使用长短期记忆神经网络(LSTM),建立了生成对抗网络(GAN)框架中的基础模型,增强了捕获数据分布的时间相关性;并采用Wasserstein距离方法,解决了梯度消失的问题;然后,搭建了离心泵异常数据检测试验台,对离心泵运行时的数据进行了采集,分析了造成异常数据的原因;最后,基于正常数据训练数据,生成了对抗网络的生成器和判别器,并利用重构损失与判别损失构建了检测阈值,对异常数据进行了检测。研究结果表明:GAN在离心泵数据异常检测中的表现皆优于孤立森林、自编码器(AE)、K-Means等算法;基于生成对抗网络的离心泵异常数据检测精确率可达到89.5%,能够有效检测出异常数据,可达到优化数据库和提高旋转机械故障诊断精度的目的。该研究结果可以为离心泵的异常数据检测提供参考。
-
关键词
离心泵时序数据
生成对抗网络
数据异常检测
无监督学习
长短期记忆网络
Wasserstein距离方法
-
Keywords
centrifugal pump timing data
generative adversarial networks(GAN)
data anomaly detection
unsupervised learning
long short-term memory network(LSTM)
Wasserstein distance method
-
分类号
TH311
[机械工程—机械制造及自动化]
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
