CN110617966A 一种基于半监督生成对抗网络的轴承故障诊断方法 （江南大学）_第1页
CN110617966A 一种基于半监督生成对抗网络的轴承故障诊断方法 （江南大学）_第2页
CN110617966A 一种基于半监督生成对抗网络的轴承故障诊断方法 （江南大学）_第3页
CN110617966A 一种基于半监督生成对抗网络的轴承故障诊断方法 （江南大学）_第4页
CN110617966A 一种基于半监督生成对抗网络的轴承故障诊断方法 （江南大学）_第5页
已阅读5页，还剩21页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

代理人聂启新一种基于半监督生成对抗网络的轴承故障本发明涉及一种基于半监督生成对抗网络训练好的对抗网络用于测试集中轴承故障的诊提取特征的能力；本发明为一种半监督训练方2第一步：通过振动信号采集设备获取轴承振第二步：将轴承转一圈采集到的离散数据作为一个样本第三步：将第二步中的样本随机划分为训练集和第四步：将第三步中的训练集输入预先建立的一维半监督生成对抗网络进行迭代训所述一维半监督生成对抗网络主要包括生成器所述生成器的结构为：其输入层的输入为服从均值为-所述分类器的结构为：其输入层的输入为由训练集类器输出层的激活函数为Softmax函数，所述分类器的中间层包含一层全连接层和五层一3x1，并且全连接层位于五层一维卷积层的后面；所述一维卷积层之间的激活函数为32)将训练集中的样本与假样本集中的样本按第五步：将第三步中的测试集输入经第四步通过使用一维卷积层和一维反卷积层，强化了45述分类器输出层的激活函数为Softmax函数，所述分类器的中间层包含一层全连接层和五置为3x1，并且全连接层位于五层一维卷积层的后面；所述一维卷积层之间的激活函数为6[0034]第五步：将第三步中的测试集输入经第四步训练好的一维半了一种端到端的最优诊断模型；将一维卷积层和一维反卷积层与半监督生成对抗网络结7维反卷积层之间的激活函数为ReLU函数，在每次完成反卷积后均进行批量归一化处理；全连接层位于五层一维卷积层的后面，如图6所示；一维卷积层之间的激活函数为89[0082]1D-SGAN的分类器意图区分输入数据是训练集中带标签的真样本、无标签的真样集进行一次预测，每次迭代意味着用含有带标签样本和无标签样本的训练集训练了1D-承的一种故障状态下的样本采集，而轴承有9种故障状态和1种正常状态共计10种不同状[0094]将训练集中样本分批输入一维半监督生成对抗网络进行迭代训练；每个批次为[0095]训练完成后，用1D-SGAN在300次迭代训练节如表1所示.可以看出,经300次迭代后的1D-SGAN在测试集上有优秀的故障分类表现,验[0099]为了验证在轴承少标签样本故障诊断上的优越性以及比较不同数量的有标签样本对该一维半监督生成对抗网络(One-dimensionalSemi-supervisedGAN,简称1D-SGAN)的影响，将1D-SGAN与原始半监督生成对抗网络(Semi-supervisedGAN,简称SGAN)和半监督分类方法半监督自训练(Semi-supervisedSelf-trainin增加,训练集的特征数据分布越来越清晰,混淆分布的点越来越少.这意味着模型提取特征的能力增强,当300次迭代完成后,从图11中可以看出分类器已经可以很好的提取

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论