宋明鵬 齊夢圓 吳濤 吳海洲

摘要：深度學習的應(yīng)用在各個領(lǐng)域得到了快速發(fā)展，主要驅(qū)動力在于豐富的數(shù)據(jù)量、算法的突破性以及計算機硬件的發(fā)展。航天測控設(shè)備長時間運行累積了大量的數(shù)據(jù)，基于深度學習的航天測控設(shè)備健康管理具有實現(xiàn)故障的快速診斷和檢測，以及準確的故障預(yù)測等優(yōu)勢。研究了目前航天測控設(shè)備健康管理的現(xiàn)狀及深度學習的基本理論，討論了不同深度學習模型在測控設(shè)備健康管理上的應(yīng)用，分析了傳統(tǒng)算法與深度學習算法的區(qū)別，提出了測控設(shè)備健康管理的未來發(fā)展趨勢。

關(guān)鍵詞：健康管理;卷積神經(jīng)網(wǎng)絡(luò);監(jiān)督學習;無監(jiān)督學習;生成對抗網(wǎng)絡(luò)

中圖分類號：TP18文獻標志碼：A文章編號：1008-1739（2021）04-68-6

0引言

設(shè)備健康管理技術(shù)是指利用盡可能少的傳感器采集系統(tǒng)的各類數(shù)據(jù)信息，借助各種推理算法和智能模型來監(jiān)控、預(yù)測和管理系統(tǒng)狀態(tài)，評估系統(tǒng)自身的健康狀態(tài)，并結(jié)合各種可用資源和約束條件觸發(fā)最佳維修決策[1]。近十年來，在軍事、民航等各個領(lǐng)域，設(shè)備健康管理技術(shù)得到了廣泛應(yīng)用[2]。隨著科技的不斷發(fā)展，一方面機械設(shè)備向著復(fù)雜化、集成化的方向發(fā)展，尤其對于機械電子類設(shè)備，設(shè)備的故障存在一定的耦合性和不確定性，使得利用傳統(tǒng)方法進行故障定位、健康狀態(tài)評估和預(yù)測存在難度;另一方面，隨著計算機計算能力的提高，深度學習算法得到了快速發(fā)展，具有強大的自動特征提取能力，在圖像識別、文本處理和語音識別等領(lǐng)域取得了重要成果。本文通過對深度學習算法的研究，提出了不同深度學習算法在航天測控設(shè)備健康管理中的應(yīng)用。

1航天測控設(shè)備健康管理現(xiàn)狀

航天測控設(shè)備的主要任務(wù)是對航天器進行跟蹤、測量和控制。通常情況下，完整的測控系統(tǒng)設(shè)備包括天伺饋分系統(tǒng)、發(fā)射分系統(tǒng)、高頻接收分系統(tǒng)、基帶分系統(tǒng)、綜合運管分系統(tǒng)、時頻分系統(tǒng)、測試標校分系統(tǒng)和記錄分系統(tǒng)，如圖1所示。

航天測控系統(tǒng)由多個分系統(tǒng)組合構(gòu)成，不僅設(shè)備量大而且均為復(fù)雜程度高的電子類設(shè)備，同時測控設(shè)備通常在高密度、長時間的帶載條件下運行，因此航天測控設(shè)備的健康管理工作具有很大的挑戰(zhàn)。目前測控設(shè)備的健康管理主要采用基于模型表達的方法。

基于模型的表達主要依賴于專家的知識，診斷流程如圖2所示。在設(shè)備健康管理的過程中，首先專家通過知識編輯平臺建立故障診斷知識模型，主要基于故障樹和故障模式分析來完成，如圖3所示為系統(tǒng)上變頻器機箱A的故障樹。專家通過故障樹中的故障路徑來反映其對故障產(chǎn)生原因的猜測，每一條故障路徑是專家對引發(fā)故障可能性的一種猜測。通過對整個系統(tǒng)的故障樹描繪來形成知識庫。建立知識庫后，模型編譯系統(tǒng)對健康診斷模型進行編譯操作，將邏輯表示翻譯為物理表示，執(zhí)行完編譯操作后，診斷推理軟件通過數(shù)據(jù)采集處理模塊從數(shù)據(jù)庫獲取監(jiān)測狀態(tài)、日志、測控結(jié)果及歷史診斷報告等數(shù)據(jù)，調(diào)用物理庫開始推理過程。根據(jù)系統(tǒng)當前的設(shè)備征兆推斷出可能的故障原因后，形成健康診斷報告顯示給操作員，操作員可根據(jù)故障報告迅速完成故障定位，并根據(jù)報告中提供的建議信息維護相關(guān)設(shè)備，使系統(tǒng)恢復(fù)到正常工作狀態(tài)。

對于測控設(shè)備這樣復(fù)雜的系統(tǒng)，故障樹非常龐大，編制步驟較多，基于模型驅(qū)動的方法需要分析人員對系統(tǒng)非常熟悉，因此模型建立的周期非常長。由于測控任務(wù)設(shè)備本身的差異性以及系統(tǒng)的動態(tài)變化，研究人員需要不斷地調(diào)整模型，無法做到模型通用化;基于故障樹方法對復(fù)雜故障的診斷定位及設(shè)備評估精度往往較低。同時，當數(shù)據(jù)庫中的各類業(yè)務(wù)數(shù)據(jù)、狀態(tài)數(shù)據(jù)、設(shè)備標校數(shù)據(jù)、設(shè)備狀態(tài)記錄數(shù)據(jù)以及系統(tǒng)和各分系統(tǒng)產(chǎn)生的操作日志等數(shù)據(jù)積累到一定程度后，系統(tǒng)在時間和空間尺度上積累的這些數(shù)據(jù)呈現(xiàn)出海量、多模態(tài)、不確定性、多源異構(gòu)性和價值低密度性等“大數(shù)據(jù)”特性。因此，如何通過大數(shù)據(jù)學習算法找出感興趣的、對系統(tǒng)健康狀態(tài)存在強關(guān)聯(lián)的數(shù)據(jù)成為航天測控設(shè)備健康管理下一步的重點。

2深度學習

深度學習算法是由Hinton在2006年提出[3]，從數(shù)據(jù)中學習表示的一種新方法，強調(diào)從連續(xù)的層中進行學習。深度學習的“深度”指的是一系列的連續(xù)層，這些分層統(tǒng)稱神經(jīng)網(wǎng)絡(luò)，如圖4（a）所示。圖4（b）表示圖4（a）中的單個神經(jīng)元，其中表示輸入變量，表示權(quán)系數(shù)，∑代表線性求和，從∑到代表非線性激活的過程，激活函數(shù)存在很多種，常用的有Relu函數(shù)、Softmax函數(shù)及Tanh函數(shù)等，從到表示褶積的過程= （∑=1 * ）。

通用的深度學習訓練流程如圖5所示，核心在于通過層與層交替使用線性和非線性處理來描述一個復(fù)雜的非線性函數(shù)，通過反向傳播來更新網(wǎng)絡(luò)參數(shù)，逐層訓練和參數(shù)調(diào)整得到由最優(yōu)權(quán)重矩陣構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型。

3深度學習模型的應(yīng)用

深度學習在航天測控設(shè)備健康管理中的應(yīng)用本質(zhì)在于通過不同的深度學習算法來找出故障出現(xiàn)和故障原因間的關(guān)聯(lián)關(guān)系并建立合適的模型。航天測控設(shè)備在執(zhí)行任務(wù)期間積累了海量異構(gòu)數(shù)據(jù)，針對不同的數(shù)據(jù)模式和特點可以分別采用不同的深度學習算法進行處理。

3.1自然語言處理的應(yīng)用

測控設(shè)備在運行過程中積累了大量的運行日志、監(jiān)控日志、測試報告、維修報告等相關(guān)的文本數(shù)據(jù)，這些數(shù)據(jù)一定程度上直接或間接反映了設(shè)備運行的狀況，因此如何快速挖掘大量文本數(shù)據(jù)對設(shè)備的故障診斷具有重要的作用。

文本信息處理屬于基于深度學習的自然語言處理。自然語言處理經(jīng)典的算法是word2vec[4]模型，word2vec表示將詞匯進行向量化，該模型可以定量地分析和挖掘詞匯之間的聯(lián)系。word2vec有連續(xù)詞袋模型和skip-gram模型2種模型，前者表示給定上下文詞來預(yù)測中間目標詞，后者表示根據(jù)該詞來預(yù)測上下文。測控設(shè)備產(chǎn)生的文本信息通過word2vec處理就可以將文本數(shù)據(jù)進行向量化，接著將向量化的信息輸入到循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）中進行訓練，RNN是專門用于處理序列的神經(jīng)網(wǎng)絡(luò)。通過不斷迭代訓練獲取訓練模型，最后應(yīng)用模型給出設(shè)備故障原因，整個測控設(shè)備自然語言處理流程如圖6所示。

目前基于自然語言處理算法的設(shè)備故障診斷屬于初步嘗試階段，其中Su[5]基于長短時記憶（LSTM）網(wǎng)絡(luò)對存儲設(shè)備的監(jiān)控日志進行訓練，訓練模型進行故障診斷;Ravi[6]利用事件日志對變電站變壓器進行故障分析;張斌等[7]利用LSTM網(wǎng)絡(luò)進行了軸承性能退化評估。

3.2傳感器監(jiān)測數(shù)據(jù)的應(yīng)用

航天測控設(shè)備海量異構(gòu)數(shù)據(jù)主要通過布設(shè)傳感器來獲取，數(shù)據(jù)背后反應(yīng)了設(shè)備的健康狀況。通常情況下單一因素，如電流、電壓等異常造成的設(shè)備故障較好診斷，但是往往故障的發(fā)生是多因素耦合造成的，設(shè)備故障出現(xiàn)和故障原因之間存在復(fù)雜的關(guān)系，使用常規(guī)方法無法對設(shè)備進行準確地評估和預(yù)測。因此，本文基于不同深度學習算法來挖掘設(shè)備不同參數(shù)或?qū)傩灾g的關(guān)聯(lián)關(guān)系或知識。

3.2.1監(jiān)督學習

監(jiān)督學習是從特定的訓練數(shù)據(jù)集中學習一個函數(shù)，當新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)來預(yù)測結(jié)果[8]。監(jiān)督學習的訓練集要求包括輸入和輸出，數(shù)據(jù)集由人工手動進行標注，由監(jiān)督者人工將數(shù)據(jù)集分為訓練集和驗證集。

基于監(jiān)督學習模式下的深度學習算法在設(shè)備健康管理上的應(yīng)用非常廣泛，尤其在發(fā)動機、軸承等機械設(shè)備的故障診斷和故障預(yù)測領(lǐng)域。采集的機械數(shù)據(jù)通常為一維時間序列或頻率序列，從大量的文獻中可以得出使用最多的方法包括四大類：自編碼器（SAE）[9]、卷積神經(jīng)網(wǎng)絡(luò)（CNN）[10]、深度置信網(wǎng)絡(luò)（DBN）[11]和LSTM。其中，目前應(yīng)用效果較好的方法為CNN和LSTM。Bo[12]等在數(shù)據(jù)不均衡和多種工作狀態(tài)情況下，采用歸一化的CNN對滾動軸承進行智能故障診斷。基于真實設(shè)備運行狀態(tài)下數(shù)據(jù)的嚴重不均衡，為了保證不同工作條件下具有泛化能力，采用批處理歸一化消除特征參數(shù)的差異，然后結(jié)合指數(shù)移動平均技術(shù)，構(gòu)建特殊模型，不斷更新優(yōu)化模型參數(shù)，最后將模型應(yīng)用于不同工作狀態(tài)和數(shù)據(jù)下的故障診斷。通過以上方法建立了一種低復(fù)雜度但高效的智能診斷方法，能夠很好地抑制原始數(shù)據(jù)中的噪聲以及對不同工況下的不平衡數(shù)據(jù)有良好性能。

對于航天測控設(shè)備健康管理，依據(jù)現(xiàn)有的方法結(jié)合測控數(shù)據(jù)的特點可以做到很好的遷移。在不影響任務(wù)的前提下，對獲取的監(jiān)測數(shù)據(jù)進行深度學習建模，利用模型進行智能故障診斷。

3.2.2無監(jiān)督學習

無監(jiān)督學習（Unsupervised Learning，UL）是指對輸入數(shù)據(jù)不做任何標記，也沒有確定的結(jié)果。如圖7所示，左圖代表監(jiān)督學習，其中紅色小圓點代表人工對數(shù)據(jù)進行的標記，右圖代表UL，輸入數(shù)據(jù)不做任何人工標記。同樣，樣本數(shù)據(jù)類別也未知，需要根據(jù)樣本間的相似性對樣本集進行分類使內(nèi)差距最小化，類差距最大化。

UL的最大優(yōu)勢在于不用提前對數(shù)據(jù)進行人工標注，尤其對于測控設(shè)備健康管理，數(shù)據(jù)量通常很大，采用人工的方式進行標注成本很高。目前對UL在健康管理上的應(yīng)用也有大量學者展開研究[13-16]。Yu[17]提出了一種具有負相關(guān)學習功能的選擇性深層去噪自動編碼網(wǎng)絡(luò)用于變速箱故障診斷，SSDAE-NCL網(wǎng)絡(luò)的基本思想是基于UL從振動信號中提取有效的故障特征，根據(jù)提取的特征使用NLC進行微調(diào)構(gòu)造分類器，最后應(yīng)用模型進行故障診斷。

基于無監(jiān)督學習的航天測控設(shè)備健康管理目前還存在問題，主要在于訓練數(shù)據(jù)樣本不平衡，故障數(shù)據(jù)遠小于正常數(shù)據(jù)，通常需要對故障數(shù)據(jù)進行標記來進行網(wǎng)絡(luò)訓練;另外，無監(jiān)督學習主要對大數(shù)據(jù)完成聚類，對于航天測控設(shè)備來說分系統(tǒng)結(jié)構(gòu)多，數(shù)據(jù)不統(tǒng)一且數(shù)據(jù)噪聲大，導(dǎo)致從無標簽數(shù)據(jù)中提取更多特征存在困難。

3.2.3半監(jiān)督學習

半監(jiān)督學習的特征是訓練數(shù)據(jù)集包含了大量未標記的數(shù)據(jù)和少量標簽數(shù)據(jù)，在無人工干預(yù)條件下，自動利用未標記樣本提升學習性能[18]。半監(jiān)督學習避免了數(shù)據(jù)和資源的浪費，同時解決了監(jiān)督學習的模型泛化能力和UL的模型不精確等問題。

半監(jiān)督學習從模式上分為直推學習和歸納學習，二者的區(qū)別在于訓練模型預(yù)測的對象不同，直推學習預(yù)測的對象是訓練樣本中被標記的數(shù)據(jù)，歸納學習的預(yù)測對象是待測數(shù)據(jù)。從不同的應(yīng)用場景來說，半監(jiān)督學習又可以分為半監(jiān)督分類問題、半監(jiān)督回歸問題、半監(jiān)督聚類以及半監(jiān)督降維問題四大類，對于設(shè)備的健康管理問題大部分屬于半監(jiān)督分類問題。

Li[18]基于半監(jiān)督學習對航天設(shè)備齒輪的原始振動信號進行故障診斷，提出了一種新的增強深度稀疏自動編碼器來實現(xiàn)齒輪故障診斷，并通過對比驗證了該網(wǎng)絡(luò)的高效性和較好的泛化能力。對于航天測控設(shè)備來說，目前基于半監(jiān)督學習具有很大的優(yōu)勢，一方面可以減少人工的標注，另一方面可以基于測控數(shù)據(jù)特點使用多種混合模型進行測試驗證。

3.3基于GAN的設(shè)備健康管理

航天測控設(shè)備健康管理的核心問題是故障數(shù)據(jù)標識樣本的數(shù)量不能滿足深度學習對大規(guī)模帶標簽數(shù)據(jù)的需求。深度學習的成功應(yīng)用，大數(shù)據(jù)是核心因素，特別是大規(guī)模的帶標簽數(shù)據(jù)。針對測控設(shè)備故障標簽數(shù)據(jù)缺乏的小樣本問題，生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）可以很好地解決這類問題。

GAN屬于非監(jiān)督學習的深度學習算法之一，核心是通過讓2個神經(jīng)網(wǎng)絡(luò)相互博弈的方式進行學習。GAN是由一個生成器和一個判別器組成，如圖8所示。從潛在樣本空間中隨機抽取樣本注入生成器中，經(jīng)過生成器作用輸出的樣本與真實樣本作為判別器的輸入。判別器的作用將真實數(shù)據(jù)庫中的樣本區(qū)別于生成器作用樣本，而生成器則是盡可能輸出與真實樣本無差的樣本，2個網(wǎng)絡(luò)相互對抗、不斷調(diào)整參數(shù)，最終目的是使判別器無法判斷生成器的輸出結(jié)果是否真實[19]。

因此，基于GAN的測控設(shè)備健康管理的流程如下，訓練流程圖如圖9所示。

①測控設(shè)備系統(tǒng)站內(nèi)設(shè)備通過系統(tǒng)集中監(jiān)控、統(tǒng)一自動測試、數(shù)據(jù)交互計算機、基帶及ACU等提供監(jiān)測故障數(shù)據(jù)信息。

②原始數(shù)據(jù)通過光盤等介質(zhì)拷貝至本地，而后按照實時數(shù)據(jù)傳輸規(guī)范對數(shù)據(jù)進行格式轉(zhuǎn)換，生成樣本數(shù)據(jù)?？紤]到數(shù)據(jù)源，圖像數(shù)據(jù)和視頻數(shù)據(jù)也可以通過軟解壓的方式注入數(shù)據(jù)庫中。

③基于樣本數(shù)據(jù)，通過樣本增強擴大樣本集，并進行自動標注，從而生成深度學習所需樣本集。

④基于樣本集，在特征提取基礎(chǔ)上進行網(wǎng)絡(luò)訓練，最終訓練生成識別網(wǎng)絡(luò)。

⑤依據(jù)識別網(wǎng)絡(luò)進行故障診斷以及設(shè)備健康狀態(tài)的評估。

4分析與展望

基于深度學習的設(shè)備健康管理與傳統(tǒng)的方法有著很大的不同，如表1所示。深度學習旨在通過對大量的樣本數(shù)據(jù)訓練找出潛在的故障現(xiàn)象和故障原因之間的關(guān)系，希望能夠自動從高維的非結(jié)構(gòu)化數(shù)據(jù)中提取所需要的特征信息，同時通過數(shù)據(jù)挖掘預(yù)測分析設(shè)備的剩余壽命。深度學習算法是基于數(shù)據(jù)的定量計算，可以高速自動處理設(shè)備的各類數(shù)據(jù)，而且容錯性較高。同時，深度學習訓練模型有很好的泛化能力和遷移能力，可以將訓練好的模型應(yīng)用到同一類的測控設(shè)備中。

雖然深度學習算法有很大的優(yōu)勢，但是針對目前航天測控設(shè)備特點，深度學習直接引入應(yīng)用還存在一些問題，具體分析如下：

①特征數(shù)據(jù)庫的建立：測控設(shè)備復(fù)雜度高，分系統(tǒng)多，各個系統(tǒng)的故障數(shù)據(jù)表達各異，形式不一致，采集來的原始數(shù)據(jù)是不能直接作為深度學習的輸入。因此，在進入深度學習前，無論采用哪種模型和算法都需要先對原始數(shù)據(jù)進行清洗。數(shù)據(jù)清洗的過程就是特征數(shù)據(jù)庫建立的過程，使非結(jié)構(gòu)化的數(shù)據(jù)盡量結(jié)構(gòu)化，原始數(shù)據(jù)質(zhì)量越高模型訓練好。

②特征提取與故障機理之間映射：由于設(shè)備的集成性和復(fù)雜性，導(dǎo)致故障機理具有很強的耦合性，設(shè)備的故障和相應(yīng)的參數(shù)之間存在非線性關(guān)系，如何通過深度學習算法將數(shù)據(jù)潛在特征和故障機理之間的映射關(guān)系對應(yīng)是一個極具挑戰(zhàn)性的問題。

③基于專家模型和基于深度學習理論的相結(jié)合：深度學習只是數(shù)據(jù)處理的一種算法，其結(jié)果的好壞還有待驗證，而傳統(tǒng)的故障診斷方法在實際應(yīng)用中體現(xiàn)出很大的價值，如何將二者的優(yōu)勢結(jié)合起來才是實現(xiàn)智能健康管理的最有效途徑。

④深度學習模型的選?。喝绾芜x擇合適的模型以及如何進行參數(shù)調(diào)整，特征選擇等也都是一件困難的事情。選擇太多或者太少的特征參數(shù)容易引起故障的誤報，尤其是對于某些潛在的故障。

5結(jié)束語

在智能制造的背景下，基于大數(shù)據(jù)驅(qū)動的設(shè)備健康管理日益受到各個領(lǐng)域重視。通過深度學習算法可以對測控設(shè)備原始數(shù)據(jù)進行信息挖掘，在特征提取過程中發(fā)現(xiàn)更多的潛在知識。因此，對于航天測控設(shè)備健康管理，應(yīng)用深度學習的方法必然成為一種新的趨勢，但是如何利用好深度學習進行數(shù)據(jù)訓練以及提高訓練準確度還需要進一步探索實踐。

參考文獻

[1] AHMADI A， FRANSSON T， CRONA A，et al. Integration of RCM and PHM for the Next Generation of Aircraft[C]//2009 IEEE Aerospace Conference Proceedings， Big Sky， MT ： IEEE， 2009：1-9.

[2]呂琛，馬劍，王自力.PHM技術(shù)國內(nèi)外發(fā)展情況綜述[J].計算機測量與控制，2016，24（9）：1-4.

[3] HINTON G E，SALAKHUTDINOV R R. Reducing the Dimensionality of Data with Neural Networks[J]. Science（80- ），2006，313（5786）：504-507.

[4] MIKOLOV T，SUTSKEVER I，CHEN K， et al. Distributed Representations of Words and Phrases and Their Compositionality[J]. Advances in Neural Information Processing Systems，2013，26：3111-3119.

[5] SU C J，TSAI L C，HUANG S F，et al. Deep Learning-based Real-time Failure Detection of Storage Devices[C]// International Conference on Applied Human Factors and Ergonomics. Washington D.C：AHFE， 2019：160-168.

[6] RAVI N N， DRUS S M， KRISHNAN P S，et al. Substation Transformer Failure Analysis Through Text Mining[C]// 9th Symposium on Computer Applications &Industrial Electronics （ISCAIE）. Malaysia ：IEEE，293-298.

[7] ZHANG B， ZHANG SH，LI WH. Bearing Performance Degradation Assessment Using Long Short-term Memory Recurrent Network[J]. Computers in Industry，2019，106： 14-29.

[8] GOODFELLOW I， BENGIO，Y， COURVILLE A. Deep Learning[M]. Massachusetts：MIT Press，2016.

[9] WANG F， DUN B，LIU X，et al. An Enhancement Deep Feature Extraction Method for Bearing Fault Diagnosis Based on Kernel Function and Autoencoder[J]. Shock and Vibration，2018：1-12.

[10] HUANG R， LIAO Y，ZHANG S，et al. Deep Decoupling Convolutional Neural Network for Intelligent Compound Fault Diagnosis[J]. IEEE Access，2018，7：1848-1858.

[11] WANG X， QIN Y， ZHANG AB.An Intelligent Fault Diagnosis Approach for Planetary Gearboxes Based on Deep Belief Networks and Uniformed Features[J].Journal of Intelligent & Fuzzy Systems，2018，34（6）：3619-3634.

[12] ZHAO B， ZHANG XM， LI H，et al. Intelligent Fault Diagnosis of Rolling Bearings Based on Normalized CNN Considering Data Imbalance and Variable Working Conditions[J]. Knowledge-Based Systems，2020：199.

[13] HU Chao， YOUN B D，WANG PF，et al. Ensemble of Data-driven Prognostic Algorithms for Robust Prediction of Remaining Useful Life[J]. Reliability Engineering and System Safety，2012，103：120-135.

[14] DU ZM， FAN B，JIN XQ，et al. Fault Detection and Diagnosis for Buildings and Hvac Systems Using Combined Neural Networks And Subtractive Clustering Analysis[J]. Building and Environment，2014，73：1-11.

[15] ZHU KD，MEI F，ZHENG JY.Adaptive Fault Diagnosis of HVCBs based on P-SVDD and P-KFCM[J]. Neurocomputing， 2017，240：127-136.

[16] ZHANG YY， LI XY， GAO L， et al， A New Subset Based Deep Feature Learning Method for Intelligent Fault Diagnosis of Bearing[J]. Expert Systems with Applications，2018，110： 125-142.

[17] YU JB. A Selective Deep Stacked Denoising Autoencoders Ensemble with Negative Correlation Learning for Gearbox Fault Diagnosis[J]. Computers in Industry， 2019，108：62-72.

[18] LI XY，LI JL，QU YZ，et al. Semi-supervised Gear Fault Diagnosis Using Raw Vibration Signal Based on Deep Learning[J]. Chinese Journal of Aeronautics，2019：10-15.

[19] GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative Adversarial Networks[J]. Advances in Neural Information Processing Systems，2014，3： 2672-2680.