本發明涉及故障預測相關。更具體地說，本發明涉及一種基于gans和lstm的故障預測方法及裝置。

背景技術：

1、在現代工業和日常生活中，各種復雜設備的廣泛應用極大地提高了生產效率并改善了人們的生活質量。然而，這些設備在長期運行過程中不可避免地會出現故障，若不能及時發現和處理故障，不僅可能導致設備本身的損壞，還會造成生產中斷、服務停滯以及經濟損失等嚴重后果。因此，準確、高效地進行故障預測成為保障設備可靠運行的關鍵環節。

2、傳統的故障預測方法主要基于經驗規則和簡單的統計分析；例如，維修人員依據過往積累的維修案例和經驗知識，總結出某些故障發生前設備表現出的典型特征，然后通過人工定期巡檢查看設備相關參數是否出現異常來判斷故障是否即將發生。另外，一些基于統計的方法會對設備運行數據進行簡單的均值、方差等統計分析，設定固定閾值，當數據超出閾值范圍時判定為可能出現故障。顯然，這些傳統方法存在諸多局限性，如高度依賴維修人員的專業知識和經驗積累，無法適應設備在不同工況、不同環境下運行數據的動態變化，容易產生誤報或漏報的情況。

3、隨著大數據技術和人工智能的快速發展，利用深度學習方法對設備運行數據進行分析，進而實現故障預測成為了研究熱點。但是，在實際應用中，深度學習方法進行故障預測面臨著一個關鍵問題——數據匱乏，雖然正常運行數據相對容易獲取，但一般類型相對單一，而故障數據則非常稀少，這使得模型難以充分學習故障對應的特征，導致在面對實際復雜工況時泛化能力不足，預測準確性受限。

4、因此，有必要設計一種能夠克服上述缺陷的技術方案。

技術實現思路

1、本發明的一個目的是提供一種基于gans和lstm的故障預測方法及裝置，能夠一定程度克服故障預測過程中的數據匱乏問題。

2、為了實現本發明的這些目的和其它優點，根據本發明的一個方面，本發明提供了一種基于gans和lstm的故障預測方法，包括：s1：獲取目標設備的歷史運行數據；s2：利用所述歷史運行數據構建數據集，訓練gans網絡，得到數據生成模型；s3：利用所述數據生成模型生成模擬數據，將所述模擬數據與所述數據集合并，得到擴充數據集；s4：利用所述擴充數據集訓練lstm網絡，得到故障預測模型；s5：利用所述故障預測模型對所述目標設備進行故障預測。

3、進一步地，在所述s2中，提取所述歷史運行數據中的正常數據和異常數據；對所述正常數據和所述異常數據分別進行聚類，得到分類簇；在訓練所述gans網絡時，為屬于不同所述分類簇的所述正常數據或所述異常數據分別賦予不同的特征參數。

4、進一步地，聚類的方法包括：將所述正常數據和所述異常數據分別劃分為多個子集，每個所述子集至少包含一種運行數據；對每個所述子集進行聚類，得到多個子分類簇；根據每個所述子集對所述目標設備運行的貢獻，為每個所述子集賦以權重；根據每個所述子集的權重，確定每條所述正常數據或所述異常數據在每個所述子分類簇上的得分，選擇得分最高的所述子分類簇，作為每條所述正常數據或所述異常數據的所述分類簇。

5、進一步地，對每個所述子集利用k-means算法進行聚類。

6、進一步地，所述特征參數為對應所述子分類簇包含的每種運行數據的均方差。

7、進一步地，所述s4包括：訓練標注模型，并為所述模擬數據添加標簽，再與所述數據集合并，得到擴充數據集；利用所述擴充數據集訓練所述lstm網絡，得到所述故障預測模型，所述lstm網絡包含兩層lstm層和一個全連接層。

8、進一步地，利用標注好的所述數據集訓練隨機森林模型和支持向量機模型，得到第一標注模型和第二標注模型，根據所述第一標注模型和所述第二標注模型確定所述模擬數據的標簽。

9、根據本發明的另一個方面，還提供了基于gans和lstm的故障預測裝置，包括處理器和存儲器，所述存儲器用于存儲程序指令，所述處理器用于調用所述程序指令以執行所述的基于gans和lstm的故障預測方法。

10、根據本發明的又一個方面，還提供了計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現所述的基于gans和lstm的故障預測方法。

11、本發明至少包括以下有益效果：

12、本發明利用歷史運行數據構建數據集，訓練gans網絡，得到數據生成模型，利用數據生成模型生成模擬數據，將模擬數據與數據集合并，得到擴充數據集，利用擴充數據集訓練lstm網絡，得到故障預測模型，進行故障預測；本發明利用數據生成模型生成模擬數據，用于故障預測模型的訓練，克服了數據匱乏的問題，提升了泛化能力和預測準確性。

13、本發明的其它優點、目標和特征將部分通過下面的說明體現，部分還將通過對本發明的研究和實踐而為本領域的技術人員所理解。

技術特征：

1.基于gans和lstm的故障預測方法，其特征在于，包括：

2.如權利要求1所述的基于gans和lstm的故障預測方法，其特征在于，在所述s2中，提取所述歷史運行數據中的正常數據和異常數據；

3.如權利要求2所述的基于gans和lstm的故障預測方法，其特征在于，聚類的方法包括：

4.如權利要求3所述的基于gans和lstm的故障預測方法，其特征在于，對每個所述子集分別利用k-means算法進行聚類。

5.如權利要求3所述的基于gans和lstm的故障預測方法，其特征在于，所述特征參數為對應所述子分類簇包含的每種運行數據的均方差。

6.如權利要求1所述的基于gans和lstm的故障預測方法，其特征在于，所述s4包括：

7.如權利要求6所述的基于gans和lstm的故障預測方法，其特征在于，利用標注好的所述數據集訓練隨機森林模型和支持向量機模型，得到第一標注模型和第二標注模型，根據所述第一標注模型和所述第二標注模型確定所述模擬數據的標簽。

8.基于gans和lstm的故障預測裝置，其特征在于，包括處理器和存儲器，所述存儲器用于存儲程序指令，所述處理器用于調用所述程序指令以執行權利要求1-7任一所述的基于gans和lstm的故障預測方法。

9.計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現權利要求1-7任一所述的基于gans和lstm的故障預測方法。

技術總結
本發明公開了基于GANs和LSTM的故障預測方法及裝置，預測方法包括：S1：獲取目標設備的歷史運行數據；S2：利用所述歷史運行數據構建數據集，訓練GANs網絡，得到數據生成模型；S3：利用所述數據生成模型生成模擬數據，將所述模擬數據與所述數據集合并，得到擴充數據集；S4：利用所述擴充數據集訓練LSTM網絡，得到故障預測模型；S5：利用所述故障預測模型對所述目標設備進行故障預測。本發明能夠克服故障預測過程中的數據匱乏問題。

技術研發人員：黃可,李宏,邊東曉
受保護的技術使用者：眾森綠建國際科技股份公司
技術研發日：
技術公布日：2025/4/24