典型文献
基于中心损失的条件生成式对抗网络的冷水机组故障诊断
文献摘要：
针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法.首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断.在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性.在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别.在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率.
文献关键词：
冷水机组;故障诊断;生成式对抗网络;神经网络;算法;中心损失;集成
中图分类号：
作者姓名：
高学金;程琨;韩华云;高慧慧;齐咏生
作者机构：
北京工业大学信息学部,北京100124;数字社区教育部工程研究中心,北京100124;城市轨道交通北京实验室,北京100124;计算智能与智能系统北京市重点实验室,北京100124;内蒙古工业大学电力学院,内蒙古呼和浩特010051
文献出处：
引用格式：
[1]高学金;程琨;韩华云;高慧慧;齐咏生-.基于中心损失的条件生成式对抗网络的冷水机组故障诊断)[J].化工学报,2022(09):3950-3962
A类：
CLCGAN
B类：
中心损失,条件生成式对抗网络,冷水机组,故障数据,中正,故障诊断精度,central,loss,conditional,generative,adversarial,network,support,vector,machine,故障诊断方法,数据生成,平衡数据集,数据集构建,损失项,类内距离,加生,指导数,生成过程,ASHRAE,RP,数据不平衡,不平衡问题,故障诊断准确率
AB值：
0.254195
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
