基于数据增强的小样本时间序列故障预测方法研究.pdf

基于数据增强的小时间序故障预测方法研

摘要

在工业生过程中，故障预测是保障设备稳定和提高生效率的要手段

着工业域智能水的断，故障预测术的需求益增长然而，在工业

用场中常面临数据稀缺的题，尤于部署的设备或罕故障更是难

收集到足够的数据外，工业设备数据的复性一大了故障预测难度，

统预测模型在处理类数据时难达到满意的精度因，在小数据条

提高故障预测的准确性工业域亟需解决的题

首，提出了一种改的边界衡生抗网(BiLSTM-BEGAN)针BEGAN

网考虑时序数据态性的题，通过将生器网改向长短期记网

(BiLSTM)，提高时序数据生的连续性，并引入时间tt

条，生时间相

配的时序数据针BEGAN网处理复时序数据时易关键丢失的题，

通过在生器损失函数中引入Wasserstein距离来衡量生数据和真实数据含

布之间的差，降了关键丢失的可能性，而续预测模型提供足的数据

，提出了一种结卷经网残差网向长短期记网自注意力

机制的多时序数据预测模型(CR-BiLSTM-SA)针多时序数据预测时深层网

提的误差累题，将四种网优势融，强了时序数据的捕获能力，

而提高了多预测的精度外，了满足工业过程的实需要，提出了WMAE损

失函数，通过预测的要性赋的，一提升模型预测性能

最，基于BiLSTM-BEGAN网西-伊曼小数据集数据扩，在

扩前的数据别建立CR-BiLSTM-SA(WMAE)数据预测模型实验结果表明，数

据扩模型的预测效果明显提高外，引入了单量过程监术，通过用拉依

达原设定预测结果的制界限，效地实关键监测量的故障预测

关键词：故障预测小数据时序数据数据增强生抗网

基于数据增强的小时间序故障预测方法研

ABSTRACT

Inmodernindustrialproduction,faultpredictionplaysacrucialroleinensuringthe

stableoperationofequipmentandenhancingproductionefficiency.Withtheongoing

advancementsinindustrialintelligence,thedemandforrobustfaultpredictiontechnologyis

increasing.However,industrialapplicationsoftenencounterchallengesrelatedtodatascarcity,

particularlywithnewlydeployedequipmentorrarefaulteventswhereadequatedatasamples

aredifficulttoobtain.Additionally,thecomplexityofindustrialequipmentdataexacerbates

thedifficultyofaccuratefaultprediction.Traditionalpredictivemodelsfrequentlyfallshortin

termsofaccuracywhendealingwithsuchintricatedata.Consequently,improvingfault

predictionaccuracyunderconditionsoflimiteddataavailabilityhasbecomeanurgent

priorityintheindustrialsector.