基于TTUR的C-DCGAN机械故障诊断模型稳定训练方法

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。