摘要
目前以人工神经网络为代表的模式识别方法已被广泛应用到故障诊断领域,但这些方法通常需要大样本数据进行模型训练,而工程实际中通常存在数据不足的情况.因此需要合适的方法进行小样本情况下的故障诊断.深度卷积生成对抗网络能够实现样本生成.它不仅提高了对数据的学习能力,还对网络设定了一连串的限制,增加了网络的稳定性和收敛性.但其存在着训练不稳定和生成样本质量不高的问题.对深度卷积生成对抗网络进行了改进,提出了一种改进的深度卷积生成对抗网络(Improved-deep Convolutional Generative Adversarial Networks,简称IDCGAN)然后运用到滚动轴承故障诊断中.实验信号分析结果表明了该方法的有效性.
维普
万方数据