计算机集成制造系统 ›› 2023, Vol. 29 ›› Issue (1): 146-159.DOI: 10.13196/j.cims.2023.01.013
李慧芳1,徐光浩1,黄双喜2
LI Huifang1,XU Guanghao1,HUANG Shuangxi2
摘要: 针对数据不平衡分类问题,提出了一种基于主动生成式过采样与深度堆叠网络(DSN)的故障诊断方法。首先,在带有分类器的生成式对抗网络(ACGAN)的训练过程中,将Wasserstein距离作为新目标函数,为生成器提供有效梯度,并根据损失值之比自适应地调整迭代过程中生成器与判别器的训练次数,克服训练不协调所导致的模型收敛困难,以提高ACGAN的训练稳定性,改善生成样本的质量。其次,采用基于委员会查询(QBC)的主动学习算法,并设计多样性评价指标Diversity,对ACGAN生成的高信息熵样本进行二次筛选,以保证所挑选样本的多样性;同时利用筛选出的样本训练判别器,引导生成器生成信息量丰富的少数类样本。最后,在平衡数据集的基础上,训练基于DSN的故障分类模型。通过对比实验验证了所提出方法的有效性。
中图分类号: