基于单分类生成对抗网络的旋转机械异常检测

Anomaly detection in rotating machinery with one-class generative adversarial networks

近年来工业设备智能化和精密化的发展趋势,让生产环境中的数据采集与异常检测需求日益迫切。工业产线端海量设备普遍存在的数据无标签问题和类别分布严重不平衡问题,成为了工业数据异常诊断应用落地的一大瓶颈。为了解决这一行业痛点问题,采用了一种仅利用健康状态数据进行训练的单分类异常检测方法,并提出了一种改进的对抗自编码器——深度局部细节编码器(DLDEncoder)。深度局部细节编码器(DLDEncoder)旨在提高特征提取效率,并结合生成对抗网络(GAN)以实现更好的特征重构效果。本文使用了驱动系统动力学模拟器(DDS)数据集和凯斯西储大学(CWRU)数据集这两个故障分类数据集对提出的方法进行验证。实验结果表明,提出方法在不同数据集上的性能均优于所比较的前沿方法,且准确率均超过99%,验证了其在异常检测领域的有效性和泛化性。