基于GAN的软测量缺失数据生成方法研究

TP273; 针对工业过程中传感器数据缺失造成软测量模型精度低的问题,提出一种基于生成对抗网络(generative adversarial nets,GAN)的传感器缺失数据生成方法.利用孤立森林算法检测出传感器数据的缺失区域;利用缺失数据属性特征训练条件生成对抗网络(conditional generative adversarial nets,CGAN),在CGAN的输入条件中添加随机序列作为附加信息迭代送入CGAN中生成数据,并借助WGAN-GP(wasserstein generative adversarial nets gradient penalty)成本函数提高网络训练的稳定...

Full description

Saved in:
Bibliographic Details
Published in西北工业大学学报 Vol. 42; no. 2; pp. 344 - 352
Main Authors 蒋栋年, 王仁杰
Format Journal Article
LanguageChinese
Published 兰州理工大学 电气工程与信息工程学院,甘肃 兰州 730050 01.04.2024
Subjects
软测量模型
生成对抗网络
数据缺失
孤立森林
data missing
GAN
isolated forest
soft sensor model
Online AccessGet full text
ISSN1000-2758
DOI10.1051/jnwpu/20244220344

Cover

More Information
Summary:TP273; 针对工业过程中传感器数据缺失造成软测量模型精度低的问题,提出一种基于生成对抗网络(generative adversarial nets,GAN)的传感器缺失数据生成方法.利用孤立森林算法检测出传感器数据的缺失区域;利用缺失数据属性特征训练条件生成对抗网络(conditional generative adversarial nets,CGAN),在CGAN的输入条件中添加随机序列作为附加信息迭代送入CGAN中生成数据,并借助WGAN-GP(wasserstein generative adversarial nets gradient penalty)成本函数提高网络训练的稳定性;针对缺失区域检测结果引入采样器,将采样的数据填补进缺失区域,形成完整数据集,以提高软测量模型精度.以镍闪速炉温度传感器数据为目标变量进行软测量建模,验证所提出的提高软测量模型精度方法的可行性与有效性.
ISSN:1000-2758
DOI:10.1051/jnwpu/20244220344