在大数据样本条件下,提出一种基于生成对抗网络模型的故障诊断方法。构建生成对抗网络模型,保证模型判别器输出数据的总体分布与原始故障集相近,并基于空间测量工具优化梯度函数,降低模型损失;采用故障集图像转换方式实现对原始故障信号的降维处理,利用判别器的神经网络结构,训练故障数据集,并提取出机械故障集中的故障特征点。实验结果表明,所提方法具有良好的分类诊断性能,故障诊断精度能够达到99.45%。

滚动轴承是旋转机械的关键部件,统计表明,约30%的旋转机械故障出现在滚动轴承处。人工智能的发展给工业生产中的故障诊断提供了新途径,深度学习已经成为旋转机械故障诊断的一种新颖且有效的方法。普通神经网络的训练需要大量各种情况下的带标签数据,然而现实中工业数据存在不平衡和标签成本高等问题,限制深度学习在工业实际中故障诊断的发展。这里针对滚动轴承监测数据不平衡和缺少标签等问题影响深度学习在工业领域落地应用的情况,提出一种基于半监督阶梯网络和生成对抗网络(GAN)的方法,建立GAN-SSLadder分类模型,基于公开的轴承故障数据库,实现在标签少,数据量小的情况下测试集的识别准确率达到95.5%。

针对风电功率序列中存在噪声、影响风电功率的多个因素对超短期风电功率预测的影响程度不同以及原始生成对抗网络模型不收敛、不稳定等问题,提出了一种基于变分模态分解的生成对抗网络(VMD-AM-WGAN)模型。该模型由变分模态分解与注意力机制、长短期记忆神经网络结合作为生成器,卷积神经网络作为判别器;使用W距离作为生成器的目标函数,并用利普希茨连续条件对判别器进行限制,以提高模型稳定性。现场试验的预测结果表明,该模型提高了风电功率预测的精度,月平均准确率达到90%以上。

针对实际工程中采集的齿轮故障信号样本不足,以及在噪声干扰的情况下采用常见深度学习网络进行模式识别出现的训练不足、故障识别率低和生成对抗网络易发生模式坍塌等问题,提出了一种基于MGAN(Mixture generative adversarial nets)和CNN(Convolutional neural networks)的齿轮故障智能诊断方法。将真实齿轮信号经形态学滤波处理后通过时频变换技术转变为时频信号,利用MGAN网络合成新样本来获得一个平衡数据集,克服了样本不足的问题;同时,分析了MGAN网络主要参数对合成样本质量的影响规律;采用平衡数据集训练CNN进行故障诊断,有效提高了故障诊断率。通过对比试验和试验台试验,验证了该方法在样本不足条件下对故障进行准确识别以及克服神经网络模式坍塌方面的有效性及优势,为实现齿轮箱典型故障提取及智能识别提供了新的研究思路。

在单晶硅加工中,硅片多线切割质量检测耗时和检测成本高造成硅片质量检测难。因此,提出一种基于生成对抗网络(WGAN-GP)数据处理与自注意力残差网络(SeResNet)的硅片质量预测方法。分析多线切割的机制,确定影响硅片质量的工艺参数,建立数据样本,使用WGAN-GP对样本数据进行数据增强。在此基础上,建立基于SeResNet的硅片总体厚度偏差预测模型。以硅片的多线切割加工过程监控数据为模型验证数据,对构建的硅片总体厚度偏差预测模型进行验证。实验结果表明:该模型具有良好泛化性和高准确率,有效解决了小样本数据下的预测难题,实现了平均相对误差小于10%的硅片总体厚度偏差预测,所以基于数据驱动的硅片质量预测来代替硅片加工中的质量检测具有重要的现实意义。