基于TTUR的C-DCGAN机械故障诊断模型稳定训练方法 |
| |
引用本文: | 罗佳,黄晋英,马健程.基于TTUR的C-DCGAN机械故障诊断模型稳定训练方法[J].振动.测试与诊断,2022,42(4):733-740. |
| |
作者姓名: | 罗佳 黄晋英 马健程 |
| |
作者单位: | (中北大学机械工程学院 太原,030051) |
| |
基金项目: | 山西省青年科技研究基金资助项目(201901D211202);山西省重点研发计划资助项目(201903D421008) |
| |
摘 要: | 针对条件深度卷积生成式对抗网络(conditional deep convolutional generative adversarial network ,简称C-DCGAN)在训练过程中出现的不稳定性问题,提出具有随机梯度下降的双时间尺度更新规则(two time-scale update rule,简称TTUR)用于C-DCGAN机械故障诊断模型训练中,在判别器和生成器具有单独学习速率的情况下提高模型的稳定性。首先,给出了TTUR在C?DCGAN模型中收敛性证明;其次,在西储大学轴承数据集(Case Western Reserve University,简称CWUR)和实验室行星齿轮箱数据集上验证其有效性;最后,引入Jensen-Shannon 散度(Jensen-Shannon divergence,简称JSD)指标评估模型捕获到的真实数据和生成数据之间的相似度。实验结果表明,TTUR提高了C-DCGAN的学习能力,优于传统的C-DCGAN。
|
关 键 词: | 条件深度卷积生成式对抗网络 稳定训练方法 双时间尺度更新规则 JSD散度 机械故障诊断 |
|
| 点击此处可从《振动.测试与诊断》浏览原始摘要信息 |
|
点击此处可从《振动.测试与诊断》下载全文 |