基于生成对抗网络的离心泵时序数据异常检测

作者：李思汉,黄倩,付强,等. 日期：2023-12-26/span> 浏览：283 查看PDF文档

摘要: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

中图分类号:TH311;TP277文献标识码:A文章编号:1001-4551(2023)12-1957-08


本文引用格式:

李思汉,黄倩,付强,等.基于生成对抗网络的离心泵时序数据异常检测［J］.机电工程,2023,40(12):1957-1964.

LI Sihan, HUANG Qian, FU Qiang, et al. Anomaly detection of centrifugal pump timing data based on generative adversarial network［J］.Journal of Mechanical & Electrical Engineering, 2023,40(12):1957-1964.