典型文献
基于自注意力机制条件残差生成对抗网络的滚动轴承故障诊断
文献摘要：
针对传统的深度卷积生成对抗网络(DCGAN)属于无监督学习,而且随着卷积层数加深会造成梯度消失,卷积核尺寸的限制导致只能获取输入数据局部特征的问题,提出一种基于自注意力机制条件残差生成对抗网络(S-CRGAN)的故障诊断方法.S-CRGAN在DCGAN的基础上与条件生成对抗网络(CGAN)相结合并引入标签信息,将深度残差网络(ResNet)引入DCGAN中以缓解梯度消失,在深度残差网络模块中加入自注意力机制来获取全局信息,增强模型的泛化性并使模型更稳定.使用凯斯西储大学(CWRU)和帕德伯恩大学(UPB)轴承数据进行仿真验证的结果表明,S-CRGAN方法的故障识别准确率分别为99.87％.
文献关键词：
滚动轴承;故障诊断;深度学习;生成对抗网络;残差网络;自注意力机制
中图分类号：
作者姓名：
刘权;裴未迟
作者机构：
华北理工大学 机械工程学院,河北 唐山 063210
文献出处：
引用格式：
[1]刘权;裴未迟-.基于自注意力机制条件残差生成对抗网络的滚动轴承故障诊断)[J].轴承,2022(11):68-75
A类：
CRGAN
B类：
自注意力机制,差生,滚动轴承故障诊断,深度卷积生成对抗网络,DCGAN,无监督学习,卷积层,层数,梯度消失,卷积核尺寸,制导,输入数据,局部特征,故障诊断方法,条件生成对抗网络,标签信息,深度残差网络,ResNet,残差网络模块,全局信息,增强模型,泛化性,更稳,凯斯,CWRU,德伯,伯恩,UPB,轴承数据,仿真验证,故障识别,识别准确率
AB值：
0.302797
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。
