一种基于元对抗生成模型的工业过程小样本故障数据增强方法

在大型工业过程的设备故障诊断实践中，部分故障样本数据量不足，导致故障诊断模型在小样本故障诊断上的效果较差。现有的数据增强方法生成的故障样本单一，提升效果有限。为此，本发明提出了一种基于元对抗生成模型的工业过程小样本故障数据增强方法。该方法包括以下步骤：首先对工业过程故障的数据样本进行预处理；其次初步构建条件生成式对抗网络(CGAN)；然后利用多种样本量较大的故障数据，基于模型无关元学习(MAML)框架，以最大化初始参数对CGAN损失函数的敏感性为目标，迭代更新CGAN的初始参数，得到最优初始参数；进一步利用小样本故障的数据样本训练在最优初始参数下的CGAN；最后利用训练完成的CGAN模型中的生成器扩充小样本故障的数据集，实现数据增强。该方法结合生成式对抗网络和元学习，有效增强小样本故障的历史数据，提高故障诊断模型在小样本故障上的诊断能力。