基于TTUR的C?DCGAN机械故障诊断模型稳定训练方法

• Published in: 振动、测试与诊断 Vol. 42; no. 4; pp. 733 - 740
• Main Authors: 罗佳, 黄晋英, 马健程
• Format: Journal Article
• Language: Chinese
• Published: 中北大学机械工程学院 太原,030051 2022
• Subjects: 条件深度卷积生成式对抗网络; 稳定训练方法; JSD散度; 双时间尺度更新规则; 机械故障诊断
• ISSN: 1004-6801
• DOI: 10.16450/j.cnki.issn.1004-6801.2022.04.016

TH17%TP183; 针对条件深度卷积生成式对抗网络(conditional deep convolutional generative adversarial network,简称C-DCGAN)在训练过程中出现的不稳定性问题,提出具有随机梯度下降的双时间尺度更新规则(two time-scale update rule,简称TTUR)用于C-DCGAN机械故障诊断模型训练中,在判别器和生成器具有单独学习速率的情况下提高模型的稳定性.首先,给出了TTUR在C-DCGAN模型中收敛性证明;其次,在西储大学轴承数据集(Case Western Reserve University,简称CWUR)和实验室行星齿轮箱数据集上验证其有效性;最后,引入Jensen-Shannon散度(Jensen-Shannon divergence,简称JSD)指标评估模型捕获到的真实数据和生成数据之间的相似度.实验结果表明,TTUR提高了C-DCGAN的学习能力,优于传统的C-DCGAN.