1.一种基于S变换/WGAN解决输卤管道泄漏数据不平衡的算法,其特征在于,包括以下步骤:Step1:从输卤管道的历史数据集X中选取故障数据集Z;
Step2:通过S变换将Step1中故障数据集Z变为时-频-模三维的泄漏点图片;
Step3:将Step2中泄漏点图片放到WGAN模型中进行迭代训练,生成新的泄漏点样本z';
Step4:将Step3中泄漏点样本z'加入到原始的历史数据集X,形成新的数据集Y。
2.根据权利要求1所述的基于S变换/WGAN解决输卤管道泄漏数据不平衡的算法,其特征在于,所述Step2中S变换的离散形式如下所示:其中,N为信号的采样总点数,T为采样周期,X[kT](k=0,1,2…N-1)为采样后的信号,n为第n个点的序号,m为向左平移的频率点,j为虚数单位。
3.根据权利要求2所述的基于S变换/WGAN解决输卤管道泄漏数据不平衡的算法,其特征在于,所述Step2中S变换的具体步骤如下:Step1.1:采集输卤管道内壁的压力信号X[kT];
Step1.2:对压力信号X[kT]进行快速傅里叶变换,得到Step1.3:n=0时,转到Step1.4,执行Step1.4与Step1.5;n不为0时,对于给定的频率点n,计算高斯窗函数的FFT:(j→m,m为频率点),并转Step1.6;
Step1.4:根据n=0的公式计算给定时间点k对应的时间序列的S变换S[kt,0](k=0,1,
2,…,N-1表示时间采样点);
Step1.5:令k=k+1,重复Step1.4,直至完成所有点的S变换,并结束S变换;
Step1.6:将Step1.2中的 向左平移m个频率点得到频谱函数Step1.7:对进行傅里叶变换后的高斯窗函数和平移后的频谱函数进行卷积,得到再进行反傅里叶变换,即可得到频率点n对应的S变换谱Step 1.8:令n=n+1,重复Step1.6、Step1.7,直到计算完所有的频率点的S变换。
4.根据权利要求1所述的基于S变换/WGAN解决输卤管道泄漏数据不平衡的算法,其特征在于,所述WGAN模型主要包括生成器G(z)和判别器D(x);
生成器G(z)用来学习真实的输卤管道泄漏点信号分布;
判别器D(x)是对生成的信号进行真假判断;
生成器G(z)和判别器D(x)相互博弈,最终达到两个网络的动态平衡,即生成器G(z)生成的泄露点数据接近真实分布,判别器D(x)则识别不出真假信号;在平衡点时,生成器G(z)生成数据,判别器D(x)认为生成器G(z)输出的结果是真实数据的概率为0.5。
5.根据权利要求4所述的基于S变换/WGAN解决输卤管道泄漏数据不平衡的算法,其特征在于,所述Step3中WGAN模型的目标函数、训练中的损失函数如下:目标函数:
生成器的损失函数:
判别器的损失函数:
其中,f(x)表示判别器多图像的判别,x~Pr表示输卤管道真实泄漏数据集图像的分布、x~Pg表示生成器生成图像的分布。
6.根据权利要求5所述的基于S变换/WGAN解决输卤管道泄漏数据不平衡的算法,其特征在于,所述WGAN模型训练步骤包括:步骤1)固定住生成器G(z),仅更新判别器D(x)的参数,其步骤包括:Step2.1:选取真实数据集 输入;
Step2.2:选取随机噪声信号 输入;
Step2.3:根据下述公式,更新判别器的梯度:其中,θ为判别器的参数,ω为生成器的参数;
Step2.4:采用RMSProp优化算法调节生成器G(z)的参数ω:Step2.5:将ω限制在(-c,c)之间,即:ω←clip(w,-c,c),c为一个常数;
Step2.6:判断迭代次数是否达到判别器迭代次数的预设值,若没达到则转到Step2.1继续进行迭代,否则转到步骤2);
步骤2)固定判别器D(x),仅更新生成器G(z)的参数,其步骤包括:Step3.1:选取随机噪声信号 输入;
Step3.2:根据下述公式,更新生成器的梯度:其中,θ为判别器的参数,ω为生成器的参数;
Step3.3:采用RMSProp优化算法调节判别器的参数θ:Step3.4:判断迭代次数是否达到生成器迭代次数的预设值,若没达到则转到步骤1)继续进行迭代,否则完成整个训练过程。