科研之友
微信
新浪微博
Facebook
分享链接
摘要
在实际智能设备的故障诊断中，往往很难获得大量的故障样本，这对基于机器学习的故障诊断的分类精度造成不可估量的影响。为了提高小样本情况下的故障诊断精度,提出一种基于条件对抗网络的生成模型（Conditional generative adversarial networks-gradient penalty, CGAN-GP）,用于数据增强来获得充足的故障样本。CGAN-GP利用二维卷积，学习预处理后获得的二维故障样本的分布特性，生成与真实样本相似的样本，并使用Wasserstein距离和梯度惩罚(Gradient penalty, GP)策略解决模型训练中的问题，同时将故障样本的标签信息输入模型引导模型生成特定的故障样本，实现一个模型可生成多种故障样本，并且在CWRU轴承数据集上得以验证。研究表明提出的模型可以生成与真实样本特征相似的高质量样本，能够有效提高小样本情况下故障诊断的识别率。
- 出版日期2023
- 单位安徽理工大学
