【摘要】：當前,基于深度學習的故障診斷得到了廣泛的應用。就基于卷積神經(jīng)網(wǎng)絡的故障診斷分類方法而言,帶標記的數(shù)據(jù)量越大,網(wǎng)絡訓練的特征的表征性越強。但是,在實際的工業(yè)生產(chǎn)中,數(shù)據(jù)的標記是一個人工過程,需要耗費大量的人力和時間成本。因此,通常無法獲得大量的帶標記樣本,這導致了小樣本問題和半監(jiān)督問題。本文采用生成對抗網(wǎng)絡,系統(tǒng)研究了小樣本問題和半監(jiān)督問題,以及數(shù)據(jù)的預處理,并進行了實驗驗證。提出了面向故障數(shù)據(jù)的基于生成對抗網(wǎng)絡的故障分類方法,該方法采用了信號轉圖像的預處理方法,在降噪的同時最大限度地保留故障數(shù)據(jù)的信息。該方法在凱斯西儲大學的軸承數(shù)據(jù)集上達到了99.996%的分類精度,驗證了所提方法的可行性。針對小樣本問題,本文利用生成對抗網(wǎng)絡的樣本生成特性,模擬并生成與標記數(shù)據(jù)具有相同數(shù)據(jù)分布的樣本,拓展樣本量,提高最終的分類精度。針對生成對抗網(wǎng)絡在少量標記樣本下的訓練不平衡問題,提出了閾值控制方法,通過在訓練過程中動態(tài)地調(diào)整生成器和判別器的訓練關系,穩(wěn)定網(wǎng)絡訓練,加速網(wǎng)絡收斂。該方法在凱斯西儲大學的軸承數(shù)據(jù)集上達到了99.96%的分類精度,驗證了所提方法的可行性。針對半監(jiān)督問題,本文利用未標記樣本中的數(shù)據(jù)信息輔助分類。判別器的輸入包含生成器生成的樣本、無標記真實數(shù)據(jù)和有標記真實數(shù)據(jù)三個部分,判別器的輸出由原來的K維拓展為K+1維。判別器和生成器的損失函數(shù)在原來的有監(jiān)督損失的基礎上,加入了無監(jiān)督損失,使得網(wǎng)絡可以利用無標記數(shù)據(jù)中的信息輔助分類。該方法在凱斯西儲大學的軸承數(shù)據(jù)集上達到了100%的分類精度,也驗證了所提方法的可行性。最后,對全文的主要工作進行了總結,并展望了未來值得進一步研究的方向。
【圖文】：

圖 1-1 本文的主要工作本文的主要結構為：第一章介紹了研究背景以及意義，并分別對故障診斷和生成對抗網(wǎng)絡的現(xiàn)狀進行了介紹和分析；第二章介紹了生成對抗網(wǎng)絡的原理，基于模型和基于損失函數(shù)的改進網(wǎng)絡，并引出了本論文使用的模型基礎；第三章介紹了面向故障數(shù)據(jù)的基于生成對抗網(wǎng)絡的故障診斷方法，，并在公開的標準數(shù)據(jù)集上驗證了方法的可行性；第四章介紹了小樣本模式下生成對抗網(wǎng)絡模型的建立以及求解過程，并對方法的有效性進行了驗證；第五章介紹了半監(jiān)督模式下生成對抗網(wǎng)絡模型的建立以及求解過程，并對方法的有效性進行了驗證；

2.1.1 生成對抗網(wǎng)絡的基本框架圖 2-1 GAN 的基本框架圖GAN 的組成框架如圖 2-1 所示。從圖 2-1 可以看出，GAN 由兩個部分組成：生成器和判別器，生成器的輸入是隨機的噪聲 z，判別器的輸入則是真實數(shù)據(jù) x 以及生
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP277;TP183;TH133.3

【相似文獻】

相關期刊論文 前10條

1 王衛(wèi)新;;4G網(wǎng)絡優(yōu)化分析及其解決方案分析[J];數(shù)碼世界;2017年05期

2 寧荻;配置網(wǎng)絡參數(shù)的另外幾種方法[J];電腦開發(fā)與應用;2004年04期

3 帷幄;如何防止網(wǎng)絡參數(shù)被篡改[J];網(wǎng)絡與信息;2002年02期

4 馮正和;宋濤;;空域網(wǎng)絡與譜域網(wǎng)絡[J];微波學報;1988年02期

5 ;看圖調(diào)網(wǎng)絡 CS中的客戶端網(wǎng)絡參數(shù)調(diào)校技巧[J];電子競技;2005年Z1期

6 施永貴;王洪峰;唐加福;何晶晶;;多業(yè)務CDMA網(wǎng)絡參數(shù)優(yōu)化模型與算法[J];信息與控制;2012年04期

7 崔玉娜;晉晶晶;;無線網(wǎng)絡參數(shù)修改管理辦法探討[J];電信工程技術與標準化;2014年04期

8 程耕國;;論用回歸差分析網(wǎng)絡參數(shù)的唯一性[J];武漢鋼鐵學院學報;1986年04期

9 姚宏亮;萇健;王浩;李俊照;;靈敏性分析下的因果網(wǎng)絡參數(shù)的擾動學習研究[J];計算機科學與探索;2012年02期

10 ;控制網(wǎng)絡的正確選擇[J];機電信息;1998年05期

相關會議論文 前10條

1 段書凱;劉光遠;;網(wǎng)絡參數(shù)對混沌聯(lián)想記憶特性的影響[A];第十一屆全國信號處理學術年會（CCSP-2003）論文集[C];2003年

2 莫富強;王浩;姚宏亮;;動態(tài)貝葉斯網(wǎng)絡參數(shù)學習算法的一種加速[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

3 魏連成;;平衡網(wǎng)絡參數(shù)測量方法研究[A];2017年全國微波毫米波會議論文集（中冊）[C];2017年

4 董樹義;趙永久;路宏敏;;微波規(guī)準網(wǎng)絡參數(shù)擬合模型與CAT[A];1991年全國微波會議論文集（卷Ⅱ）[C];1991年

5 徐儉;;SDN疊加虛擬化網(wǎng)絡技術探究[A];第18屆全國互聯(lián)網(wǎng)與音視頻廣播發(fā)展研討會暨第27屆中國數(shù)字廣播電視與網(wǎng)絡發(fā)展年會論文集[C];2019年

6 彭振宇;朱暢華;董樹義;;傳輸型雙六端口測量網(wǎng)絡參數(shù)的優(yōu)化方案探討[A];1995年全國微波會議論文集（下冊）[C];1995年

7 譚裴;薛偉;;一種基于物聯(lián)網(wǎng)技術的能耗管理平臺研究[A];2013年中國通信學會信息通信網(wǎng)絡技術委員會年會論文集[C];2013年

8 石志俠;姚青山;張艾明;胡遵素;;復雜α譜的神經(jīng)網(wǎng)絡解譜技術[A];中國顆粒學會2002年年會暨海峽兩岸顆粒技術研討會會議論文集[C];2002年

9 武占宇;唐宗熙;張彪;;三端口矢量網(wǎng)絡參數(shù)的測量[A];2005'全國微波毫米波會議論文集（第二冊）[C];2006年

10 梁昌洪;張新軍;;一類非均勻傳輸線網(wǎng)絡參數(shù)的數(shù)值求解[A];1997年全國微波會議論文集(下冊)[C];1997年

相關重要報紙文章 前9條

1 北京 阮征;遠程修改網(wǎng)絡參數(shù)[N];電腦報;2004年

2 李浩;巧用IP Changer修改TCP／IP網(wǎng)絡參數(shù)[N];江蘇經(jīng)濟報;2003年

3 ;Linux下設置基本網(wǎng)絡參數(shù)四法[N];電腦報;2001年

4 魏大可;校園網(wǎng)絡參數(shù)維護技巧之隱藏法[N];中國電腦教育報;2003年

5 珠海世紀鼎利通信科技股份有限公司;從“優(yōu)化策略”實現(xiàn)突破[N];通信產(chǎn)業(yè)報;2012年

6 本報實習記者 賈冕;WiFi共享：是福是禍？[N];中國知識產(chǎn)權報;2013年

7 武君;網(wǎng)絡優(yōu)化因“段”制宜[N];通信產(chǎn)業(yè)報;2006年

8 江蘇 陸亞軍;網(wǎng)絡優(yōu)化利器 NetSupersonic[N];電腦報;2001年

9 記者 趙雅琪;“易優(yōu)”有效解決TD網(wǎng)絡優(yōu)化難題[N];人民郵電;2009年

相關博士學位論文 前10條

1 黎偉;超密集網(wǎng)絡高能效資源管理算法研究[D];電子科技大學;2019年

2 武曉宇;基于復雜網(wǎng)絡的網(wǎng)絡業(yè)務流建模與行為分析[D];北京郵電大學;2018年

3 吳泓潤;復雜網(wǎng)絡的建模及傳播動力學研究[D];武漢大學;2018年

4 焦楊;復雜網(wǎng)絡社區(qū)檢測、鏈路預測及應用[D];西安電子科技大學;2018年

5 張川;復雜網(wǎng)絡的若干控制同步問題研究[D];大連理工大學;2018年

6 周永權;泛函網(wǎng)絡理論及其學習算法研究[D];西安電子科技大學;2006年

7 肖秦琨;基于動態(tài)貝葉斯網(wǎng)絡的智能自主優(yōu)化機制研究[D];西北工業(yè)大學;2006年

8 陳益平;下一代移動通信網(wǎng)絡始終最佳連接服務關鍵技術研究[D];上海交通大學;2007年

9 魏宗文;重整化方法在復雜網(wǎng)絡中的應用[D];中國科學技術大學;2017年

10 趙慧;復雜網(wǎng)絡的若干同步控制問題研究及其應用[D];北京郵電大學;2017年

相關碩士學位論文 前10條

1 王婷婷;網(wǎng)絡安全態(tài)勢要素獲取和預測技術的研究[D];重慶郵電大學;2019年

2 余德良;基于深度學習的移動網(wǎng)絡流量態(tài)勢預測[D];哈爾濱工業(yè)大學;2019年

3 徐翔;復雜網(wǎng)絡中關鍵節(jié)點識別理論方法研究與應用[D];安徽工業(yè)大學;2018年

4 李可新;機會網(wǎng)絡中基于深度學習的鏈路預測方法研究[D];內(nèi)蒙古科技大學;2019年

5 曹思燦;基于生成對抗網(wǎng)絡的軸承故障診斷方法研究[D];華中科技大學;2019年

6 韓昌輝;具有拓撲切換特性的復雜時空網(wǎng)絡的指數(shù)同步研究[D];遼寧師范大學;2019年

7 樊星;融合多尺度卷積網(wǎng)絡與域適應策略的交通標志識別[D];長安大學;2019年

8 楊_g;基于改進IDE網(wǎng)絡的行人重識別[D];長安大學;2019年

9 威歡;5G網(wǎng)絡切片架構及選擇準入算法研究[D];重慶郵電大學;2018年

10 吳水土;LTE網(wǎng)絡中終端功耗省電的研究與分析[D];上海交通大學;2016年

本文編號：2611304