第２９卷第１期计算机集成制造系统Ｖｏｌ．２９Ｎｏ．１２０２３年１月ＣｏｍｐｕｔｅｒＩｎｔｅｇｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎｇＳｙｓｔｅｍｓＪａｎ．２０２３ＤＯＩ：１０．１３１９６／ｊ．ｃｉｍｓ．２０２３．０１．０１３收稿日期：２０２１－１０－０９；修订日期：２０２２－０３－０７。Ｒｅｃｅｉｖｅｄ０９Ｏｃｔ．２０２１；ａｃｃｅｐｔｅｄ０７Ｍａｒ．２０２２．基金项目：国家自然科学基金资助项目（６１８３６００１）；国家重点研发计划资助项目（２０１８ＹＦＢ１００３７００）。Ｆｏｕｎｄａｔｉｏｎｉｔｅｍｓ：ＰｒｏｊｅｃｔｓｕｐｐｏｒｔｅｄｂｙｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎ，Ｃｈｉｎａ（Ｎｏ．６１８３６００１），ａｎｄｔｈｅＮａｔｉｏｎａｌＫｅｙＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔＰｒｏｇｒａｍ，Ｃｈｉｎａ（Ｎｏ．２０１８ＹＦＢ１００３７００）．基于主动生成式过采样和深度堆叠网络的轴承故障诊断李慧芳１，徐光浩１，黄双喜２（１．北京理工大学自动化学院复杂系统智能控制与决策国家重点实验室，北京１０００８１；２．清华大学自动化系，北京１０００８４）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。关键词：故障诊断；不平衡数据；生成式对抗网络；深度学习中图分类号：ＴＰ２０６＋．３文献标识码：ＡＡｃｔｉｖｅｇｅｎｅｒａｔｉｖｅｏｖｅｒｓａｍｐｌｉｎｇａｎｄｄｅｅｐｓｔａｃｋｉｎｇｎｅｔｗｏｒｋｂａｓｅｄｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓａｐｐｒｏａｃｈＬＩＨｕｉｆａｎｇ１，ＸＵＧｕａ...
