论文地址：

https://ieeexplore.ieee.org/abstract/document/8853246

论文源码：无

期刊：IEEE Access

工业应用中的时间序列数据通常存在类不平衡问题，即正常样本数量远大于异常样本。传统机器学习算法在处理这种类不平衡问题时表现不佳。本文提出了一种基于GAN的异常检测方法，通过仅使用正常样本进行训练，并通过生成更高的异常评分来检测异常样本。在实验中，所提出的方法在两个滚动轴承数据集上都实现了100%的准确率。

论文提出的方法包括三个部分：特征提取器、生成器和判别器，具体流程如下：

1. 特征提取器：从原始时间序列数据中提取代表性特征，以减少数据维度和计算时间。

2. 生成器：采用编码器-解码器-编码器三子网络结构，生成样本并学习正常样本的潜在表示。

3. 判别器：基于深度卷积生成对抗网络（DCGAN），用于区分真实样本和生成样本。

4. 训练过程：仅使用正常样本进行训练，通过最小化生成器的输出误差，使生成样本尽可能接近真实样本。

5. 测试过程：通过计算异常评分来检测异常样本，异常评分由显著损失和潜在损失组成。

论文在两个滚动轴承数据集上进行了实验验证：

1. CWRU数据集：从凯斯西储大学获取的滚动轴承数据。

2. 实验室数据集：从实验室获取的滚动轴承数据，包含噪声信号。

实验结果显示，该方法在两个数据集上均实现了100%的分类准确率，能够有效区分正常样本和异常样本，并对噪声具有良好的鲁棒性。

论文总结了提出的方法在处理工业类不平衡数据上的有效性，并指出未来工作将包括结合多维时间序列数据以实现更好的诊断效果。