1.一种基于卷积流对抗网络的智能异常检测方法,其特征在于,包括:
采集设备全生命周期机械时域振动信号,截取统一长度样本,进行短时傅里叶变换得到时频图,将所述时频图划分为仅包含设备正常运行数据的正常样本训练集和包含设备全生命周期数据的全周期测试集;
构建卷积流对抗网络模型,所述卷积流对抗网络模型由生成器和判别器组成,其中:
所述生成器采用M层Block组成的卷积流网络,每层Block依次包括压缩层、N层Flow层和分离层;所述压缩层用于压缩输入特征图尺寸并增加通道数;所述Flow层由Actnorm层、可逆1×1卷积层及耦合层堆叠而成,所述Actnorm层基于第一批数据各通道的均值和方差进行数据依赖的初始化以实现零均值和单位方差归一化,所述可逆1x1卷积层对输入的每个空间位置进行通道维度的线性变换,所述耦合层将输入拆分为两部分,第一部分直接输出,第二部分基于第一部分经小型卷积网络变换后得到的权重和偏置进行仿射变换后输出;所述分离层将输入按通道拆分为两部分,一部分作为下一层Block的输入,另一部分作为中间隐变量;生成器的卷积流网络的正向传递用于特征提取,逆向传递用于合成样本生成;
所述判别器依次包括卷积流网络、全局平均池化层、全连接层和激活函数层;其中,判别器的卷积流网络采用与生成器中相同的架构但仅使用正向传递;
将所述正常样本训练集输入所述卷积流对抗网络模型,通过设定的最大似然估计损失函数对生成器进行预训练,同时固化判别器参数,不优化判别器;
解固判别器参数固定,与预训练后的生成器交替优化,直至满足设定条件;在判别器更新时,以正常样本训练集中样本为正样本、生成器合成样本为负样本,使用二元交叉熵损失优化判别器;在生成器更新时,使用联合损失优化生成器,所述联合损失为MLE损失、对抗损失和重构损失的线性加权和,且在对抗训练初期对抗损失权重为零,并采用阶梯式策略逐步提升对抗损失权重至预设值;
将训练好的生成器作为异常状态检测模型,并构建基于MLE误差与重构误差加权的异常检测指标;
将所述全周期测试集输入所述异常状态检测模型,根据所述异常检测指标在线识别样本的异常状态。
2.根据权利要求1所述的基于卷积流对抗网络的智能异常检测方法,其特征在于,所述短时傅里叶变换使用矩形窗函数将时域信号转换为统一尺寸的时频图;所述正常样本训练集采用设备全生命周期机械时域振动信号前段确认正常运行的数据。
3.根据权利要求1所述的基于卷积流对抗网络的智能异常检测方法,其特征在于,所述压缩层将输入特征图的通道数乘以四,长度和宽度尺寸均变为原来的二分之一。
4.根据权利要求1所述的基于卷积流对抗网络的智能异常检测方法,其特征在于,所述Actnorm层初始化方法为:将输入数据按通道重新排列并展平,计算每个通道的均值和方差,用于初始化该层的缩放和偏置参数。
5.根据权利要求1所述的基于卷积流对抗网络的智能异常检测方法,其特征在于,所述耦合层中使用的小型卷积网络依次包含:3×3卷积层、ReLU激活层、1×1卷积层、ReLU激活层、3×3零初始卷积层。
6.根据权利要求1所述的基于卷积流对抗网络的智能异常检测方法,其特征在于,所述交替优化为一比一轮次交替;在生成器更新时固定判别器参数,在判别器更新时固定生成器参数;所述重构损失采用均方误差形式;优化过程采用随机梯度下降算法,并引入梯度裁剪和学习率逐步衰减机制。
7.根据权利要求1所述的基于卷积流对抗网络的智能异常检测方法,其特征在于,所述联合损失函数中,MLE损失权重、对抗损失权重和重构损失权重根据实际问题自由调节设置。
8.根据权利要求1所述的基于卷积流对抗网络的智能异常检测方法,其特征在于,所述根据所述异常检测指标在线识别样本的异常状态的方法为:计算每个样本的异常检测指标值,与基于历史样本计算的基准值比较,当指标值超过基准值设定比例时判定为异常状态;其中所述基准值为当前样本之前所有历史样本异常指标值的平均值。
9.根据权利要求8所述的基于卷积流对抗网络的智能异常检测方法,其特征在于,所述异常检测指标值为:;
其中,w1和w2为根据实际问题自由调节设置的权重。
10.一种基于卷积流对抗网络的智能异常检测系统,其特征在于,所述系统用于实现权利要求1至9任意一项所述的基于卷积流对抗网络的智能异常检测方法,具体包括:数据采集与预处理模块,用于采集设备全生命周期机械时域振动信号,截取统一长度样本,进行短时傅里叶变换得到时频图,将所述时频图划分为仅包含设备正常运行数据的正常样本训练集和包含设备全生命周期数据的全周期测试集;
卷积流对抗网络模型构建模块,用于构建卷积流对抗网络模型,所述卷积流对抗网络模型由生成器和判别器组成,其中:所述生成器采用M层Block组成的卷积流网络,每层Block依次包括压缩层、N层Flow层和分离层;所述压缩层用于压缩输入特征图尺寸并增加通道数;所述Flow层由Actnorm层、可逆1×1卷积层及耦合层堆叠而成,所述Actnorm层基于第一批数据各通道的均值和方差进行数据依赖的初始化以实现零均值和单位方差归一化,所述可逆1x1卷积层对输入的每个空间位置进行通道维度的线性变换,所述耦合层将输入拆分为两部分,第一部分直接输出,第二部分基于第一部分经小型卷积网络变换后得到的权重和偏置进行仿射变换后输出;所述分离层将输入按通道拆分为两部分,一部分作为下一层Block的输入,另一部分作为中间隐变量;生成器的卷积流网络的正向传递用于特征提取,逆向传递用于合成样本生成;
所述判别器依次包括卷积流网络、全局平均池化层、全连接层和激活函数层;其中,判别器的卷积流网络采用与生成器中相同的架构但仅使用正向传递;
模型预训练模块,用于将所述正常样本训练集输入所述卷积流对抗网络模型,通过设定的最大似然估计损失函数对生成器进行预训练,同时固化判别器参数,不优化判别器;
模型对抗训练模块,用于解固判别器参数固定,与预训练后的生成器交替优化,直至满足设定条件;在判别器更新时,以正常样本训练集中样本为正样本、生成器合成样本为负样本,使用二元交叉熵损失优化判别器;在生成器更新时,使用联合损失优化生成器,所述联合损失为MLE损失、对抗损失和重构损失的线性加权和,且在对抗训练初期对抗损失权重为零,并采用阶梯式策略逐步提升对抗损失权重至预设值;
异常状态检测模型构建模块,用于将训练好的生成器作为异常状态检测模型,并构建基于MLE误差与重构误差加权的异常检测指标;
在线诊断模块,用于将所述全周期测试集输入所述异常状态检测模型,根据所述异常检测指标在线识别样本的异常状态。