典型文献
基于SCGAN网络的齿轮故障诊断方法
文献摘要：
为了提高齿轮箱中齿轮单故障及复合故障的识别精度,克服传统故障特征提取方法过于依赖经验判断的困难,从深度学习领域出发,融合卷积神经网络(convolutional neural network,简称CNN)与对抗神经网络(generative adversarial network,简称GAN)两种深度神经网络特征,提出一种半监督卷积对抗神经网络模型(semi-supervised convolutional generative adversarial network,简称SCGAN).采用两个CNN网络分别作为GAN网络的生成网络(G)和判别网络(D),改进了网络结构,实现了GAN由无监督学习机制向半监督学习机制的转变.将动力传动模拟试验台上采集的齿轮故障信号制成时域、频域和时频样本集,构建SCGAN模型用于故障诊断.对比3种不同种类的网络模型,结果表明,在不同的样本类型和不同的样本大小下,SCGAN的诊断精度明显高于CNN与RNN,且收敛速度快.
文献关键词：
半监督学习;齿轮故障;智能诊断;深度神经网络
中图分类号：
作者姓名：
庞新宇;魏子涵;仝钰
作者机构：
太原理工大学机械与运载工程学院 太原,030024;煤矿综采装备山西省重点实验室 太原,030024
文献出处：
引用格式：
[1]庞新宇;魏子涵;仝钰-.基于SCGAN网络的齿轮故障诊断方法)[J].振动、测试与诊断,2022(02):358-364
A类：
SCGAN
B类：
齿轮故障诊断,故障诊断方法,齿轮箱,中齿,复合故障,识别精度,故障特征提取,学习领域,融合卷积神经网络,convolutional,neural,network,对抗神经网络,generative,adversarial,深度神经网络,网络特征,semi,supervised,生成网络,判别网络,无监督学习,学习机制,半监督学习,动力传动,模拟试验台,故障信号,频域,时频,样本集,本类,RNN,收敛速度,智能诊断
AB值：
0.339937
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
