典型文献
IDCGAN及其在滚动轴承故障诊断中的应用
文献摘要：
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.
文献关键词：
样本生成;改进的深度卷积生成对抗网络;滚动轴承;故障诊断
中图分类号：
作者姓名：
晁阁;杨宇;王平;王健
作者机构：
湖南大学汽车车身先进设计制造国家重点实验室,湖南长沙 410082;中国航发湖南动力机械研究所,湖南株洲 412002;中国航空发动机集团航空发动机振动技术重点实验室,湖南株洲 412002
文献出处：
引用格式：
[1]晁阁;杨宇;王平;王健-.IDCGAN及其在滚动轴承故障诊断中的应用)[J].机械设计与制造,2022(06):54-58,64
A类：
IDCGAN,改进的深度卷积生成对抗网络
B类：
滚动轴承故障诊断,人工神经网络,模式识别,大样本,模型训练,工程实际,常存,小样本,样本生成,一连串,收敛性,Improved,deep,Convolutional,Generative,Adversarial,Networks,信号分析
AB值：
0.179684
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。
