基于改进W-DCGAN-ResNet滚动轴承诊断方法.docx下载

[weixin_39821260]

DCGAN的提出为故障诊断的进一步研究提供了新的思路和方法。尽管最初版本的DCGAN采用了基于JS散度的方法以衡量生成的样本与其初始样例之间的相似性和差距，然而其缺点在于当对模型进行了优化后可能会导致产生器的梯度衰减或波动过大等问题。为了克服这些挑战并提升神经网路的学习过程中的稳健性能，可以选择用具有更好光滑特性的欧几里得空间距 (也被称为 Wasserman 或者 EM 距离 )替代 JS 散度作为测量新旧两组资料间差别的指标从而增强了学习过程中产生的稳定的输出结果的可能性。提出了一种基于W-DCGAN-Resnet的滚动轴承故障诊断方法。该方法搭建了一种基于传统Resnet的改进模型DCGAN-Resnet。首先，模型通过把残差块中的bn层和relu激活层放到卷积层前面，增强了对残差块特性的获取能力。同时，在深度残差网络中引入卷积注意机制也进一步加强了模型的特征提取效果。然后利用上章搭建的W-DCGAN对两个滚动轴承数据集进行有效扩充构建新的数据集，最后对方法的有效性进行验证，实验结果表明，本章所提W-DCGAN-Resnet方法可以在小样本故障数据条件下，对多类别故障诊断具有更高 , 相关下载链接：https://download.csdn.net/download/2301_77166695/88491695?utm_source=bbsseo