晁 閣，楊 宇，王 平，王 健

（1.湖南大學(xué)汽車車身先進(jìn)設(shè)計制造國家重點(diǎn)實驗室，湖南 長沙 410082；2.中國航發(fā)湖南動力機(jī)械研究所，湖南株洲 412002；3.中國航空發(fā)動機(jī)集團(tuán)航空發(fā)動機(jī)振動技術(shù)重點(diǎn)實驗室，湖南 株洲 412002）

1 引言

滾動軸承是現(xiàn)代旋轉(zhuǎn)機(jī)械設(shè)備的重要部件之一，它扮演著承受載荷及傳遞動力和力矩的角色，其運(yùn)行狀態(tài)的優(yōu)劣對機(jī)械設(shè)備影響巨大。因此，對滾動軸承的故障診斷具有十分重要的意義。目前以人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱ANN）為代表的模式識別方法已經(jīng)被普遍應(yīng)用在滾動軸承故障診斷領(lǐng)域，這些方法通常需要大樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，而工程實際中樣本數(shù)據(jù)（尤其是故障樣本）卻極為缺少。因此，需要合適的方法進(jìn)行小樣本情況下的滾動軸承故障診斷。

自從2014 年生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，簡稱GAN）[1]被提出以后，GAN 便迅速成為了一個學(xué)術(shù)研究熱點(diǎn)。GAN的主要目的是學(xué)習(xí)真實數(shù)據(jù)的分布，然后生成與真實數(shù)據(jù)具有相似特征的新數(shù)據(jù)。目前GAN已被廣泛應(yīng)用在圖像領(lǐng)域、視覺領(lǐng)域以及語音語言領(lǐng)域[2-5]。GAN的靈感來源于博弈論中二人零和博弈思想。將這種思想應(yīng)用到深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)上，是通過生成器（Generator，簡稱G）和判別器（Discriminator，簡稱D）不斷博弈，進(jìn)而使生成器學(xué)習(xí)到數(shù)據(jù)的分布。訓(xùn)練完成后，生成器可以從一段隨機(jī)噪聲中生成逼真的數(shù)據(jù)。

深度卷積生成對抗網(wǎng)絡(luò)（Deep Convolutional Generative Adversarial Networks，簡稱DCGAN）[6]為GAN衍生而來，它用兩個卷積神經(jīng)網(wǎng)絡(luò)替換了GAN中的G和D，將無監(jiān)督學(xué)習(xí)的GAN和有監(jiān)督學(xué)習(xí)的卷積網(wǎng)絡(luò)結(jié)合在一起。DCGAN的優(yōu)點(diǎn)在于運(yùn)用卷積網(wǎng)絡(luò)“捕捉”特征的能力加強(qiáng)了生成網(wǎng)絡(luò)的學(xué)習(xí)效果，對卷積網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)設(shè)定了一連串的限制，改善了GAN的收斂性問題[7]。但是DCGAN仍然存在一些不足，比如訓(xùn)練過程不夠穩(wěn)定和生成樣本質(zhì)量無法滿足要求等。激活函數(shù)在DCGAN 提高生成樣本質(zhì)量和訓(xùn)練穩(wěn)定性方面發(fā)揮著重要作用，因此選擇合適的激活函數(shù)對DCGAN十分重要。常用的激活函數(shù)包括sigmoid、tanh、relu和leakyrelu 函數(shù)，這些函數(shù)存在著較為明顯的缺點(diǎn)[8]。比如sigmoid與tanh函數(shù)的計算量巨大及梯度消失問題，relu函數(shù)神經(jīng)元容易“die”的問題和leakyrelu函數(shù)訓(xùn)練后期網(wǎng)絡(luò)可能震蕩甚至過擬合的問題。

針對DCGAN的缺點(diǎn)，對DCGAN中激活函數(shù)進(jìn)行了改進(jìn)，提出了一種改進(jìn)的深度卷積生成對抗網(wǎng)絡(luò)（Improved-deep Convolutional Generative Adversarial Networks，簡稱IDCGAN）。與DCGAN相比，該模型訓(xùn)練過程更加穩(wěn)定并且可以產(chǎn)生更高質(zhì)量的樣本。將該模型與ANN結(jié)合應(yīng)用到小樣本情況下的滾動軸承故障診斷中，實驗信號的分析結(jié)果證明了這里方法的有效性。

2 改進(jìn)深度卷積生成對抗網(wǎng)絡(luò)

2.1 深度卷積生成對抗網(wǎng)絡(luò)的原理

DCGAN 是GAN 的擴(kuò)展衍生模型之一，其原理和GAN 是相似的。DCGAN由生成器和判別器兩部分構(gòu)成。生成器用于學(xué)習(xí)真實樣本的分布，判別器本質(zhì)上為二分類器，用于判斷輸入樣本的來源，其輸出代表著輸入樣本來自真實樣本的概率。0代表來自生成樣本，1代表來自真實樣本。DCGAN的訓(xùn)練過程是一個極小極大博弈問題，最終目標(biāo)是實現(xiàn)納什均衡。DCGAN的基本結(jié)構(gòu)，如圖1所示。

圖1 DCGAN的基本結(jié)構(gòu)Fig.1 The Basic Structure of DCGAN

考慮到判別器是一個二分類模型，用交叉熵表示其目標(biāo)函數(shù)［9］：

式中：z—來自先驗分布Pz中的隨機(jī)噪聲；x—來自真實樣本分布Pdata中的樣本；E(·)—計算期望值；G(z)—生成器的輸出；log—以10為底的對數(shù)運(yùn)算；D(G(z))—判別器判斷生成樣本為真的概率；Pz(z)—z的概率密度；Pdata(x)—x的概率密度。

這個過程中判別器的樣本輸入來自于真實樣本分布Pdata(x)（標(biāo)簽為1）和生成器的數(shù)據(jù)分布Pg(x（)標(biāo)簽為0）兩部分。固定生成器，對式（1）最小化得到最優(yōu)解，在連續(xù)的空間內(nèi)，式（1）可以寫作下面的形式：

由數(shù)學(xué)可知，對于任意的非零實數(shù)m和n，以及實數(shù)值y∈[ 0，1 ]，表達(dá)式：

D(x)表示x來自真實樣本的概率。當(dāng)真實樣本進(jìn)入模型時，判別器會使得D(x)盡量靠近1，當(dāng)生成樣本進(jìn)入模型時，判別器會正確判斷其來源，使得D(G(z))盡力靠近0，此時生成器的目標(biāo)是盡可能產(chǎn)生與真實樣本分布相同的生成樣本，使得判別器判斷D(G(z))為1。因此，DCGAN 本質(zhì)上是一個極大極小優(yōu)化問題，其目標(biāo)函數(shù)可以表達(dá)如下：

2.2 改進(jìn)的深度卷積生成對抗網(wǎng)絡(luò)

激活函數(shù)決定信號能否在DCGAN中傳遞。神經(jīng)網(wǎng)絡(luò)之所以能夠處理很多非線性問題，其關(guān)鍵是因為激活函數(shù)可以把“激活神經(jīng)元的特征”通過非線性函數(shù)存儲并表現(xiàn)出來。在DCGAN中，卷積和反卷積的操作過程是線性的，如果不使用非線性映射的激活函數(shù)，那么DCGAN僅僅具有線性表達(dá)的功能。而使用激活函數(shù)大大提高了網(wǎng)絡(luò)的表達(dá)能力，整個網(wǎng)絡(luò)將會變成非線性模型，DCGAN才能夠去解決復(fù)雜的非線性問題。

常見的激活函數(shù)包括sigmoid函數(shù)、tanh函數(shù)、ReLU函數(shù)和LeakyReLU函數(shù)。sigmoid和tanh是常用的非線性激活函數(shù)，sigmoid函數(shù)能夠?qū)⑤斎氲倪B續(xù)值變換為0和1之間的輸出，曾經(jīng)是最普遍使用的激活函數(shù)。但它存在著一些顯著的缺點(diǎn)，比如計算量過大、容易發(fā)生梯度消失和輸出不是零均值。tanh 是對sigmoid的改進(jìn)，它的輸出為零均值，但梯度消失和計算量大的缺點(diǎn)仍沒有改善。ReLU函數(shù)有效解決了sigmoid函數(shù)的梯度消失問題，其計算速度和收斂速度遠(yuǎn)快于sigmoid函數(shù)和tanh函數(shù)。但使用ReLU函數(shù)，在前向傳播輸入小于0時，神經(jīng)元會處于非激活狀態(tài)，并會在后向傳播過程中“殺死”梯度。LeakyReLU函數(shù)通過設(shè)置負(fù)半軸系數(shù)a，從而避免了ReLU函數(shù)的上述問題。但實驗過程中發(fā)現(xiàn)，LeakyReLU隨著迭代次數(shù)的增多，可能會導(dǎo)致DCGAN出現(xiàn)震蕩，不收斂甚至過擬合的情況，從而導(dǎo)致生成樣本失真。

針對以上存在的問題，提出了一種新的激活函數(shù)，定義為IReLU函數(shù)。IReLU函數(shù)在LeakyReLU函數(shù)的基礎(chǔ)上，對輸入的x設(shè)置了條件，不再學(xué)習(xí)所有的值，而是通過給定閾值，當(dāng)輸入大于特定值的時候，停止學(xué)習(xí)特征。這樣減少了訓(xùn)練后期網(wǎng)絡(luò)震蕩的可能性，緩解了過擬合的情況，而且保留了LeakyReLU函數(shù)的優(yōu)點(diǎn)。其中，x取何值時，函數(shù)不再處于激活狀態(tài)，需要根據(jù)不同的數(shù)據(jù)集確定。通過在不同數(shù)據(jù)集上的多次實驗發(fā)現(xiàn)，IReLU函數(shù)不僅提高了DCGAN的穩(wěn)定性，而且可以產(chǎn)生更高質(zhì)量的樣本。將其用于到滾動軸承故障診斷中，IReLu函數(shù)還提高了故障診斷的識別率。

IReLU函數(shù)的數(shù)學(xué)表達(dá)式如下所示：

對生成對抗網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行了設(shè)計。DCGAN 中生成器主要包括輸入層、全連接層和反卷積層，判別器主要包括輸入層、卷積層、和全連接層。遵循控制變量設(shè)計準(zhǔn)則，以某大學(xué)正常軸承數(shù)據(jù)為樣本，通過對DCGAN原理理解和實驗結(jié)果分析，得到一個具有針對性的網(wǎng)絡(luò)結(jié)構(gòu)。設(shè)計的網(wǎng)絡(luò)層數(shù)范圍，如表1所示。

表1 DCGAN網(wǎng)絡(luò)參數(shù)選擇Tab.1 DCGAN Network Parameter Selection

由表1可知，當(dāng)選用輸入尺寸為28′28，反卷積和卷積層的層數(shù)為2，全連接層為1，卷積核為3′3時，生成圖片的峰值信噪比最大，與原圖片最相似，生成對抗網(wǎng)絡(luò)的生成效果最為理想。在經(jīng)典DCGAN中，生成器輸出層的激活函數(shù)選擇為tanh，其他層的激活函數(shù)選用ReLU，判別器所有層的激活函數(shù)都選用為LeakyRe-LU。這里選擇用改進(jìn)的IReLU 函數(shù)替換DCGAN 中所有網(wǎng)絡(luò)層的激活函數(shù)。生成器和辨別器的網(wǎng)絡(luò)結(jié)構(gòu)，如圖2、圖3所示。

圖2 生成器結(jié)構(gòu)示意圖Fig.2 Generator Structure Diagram

圖3 判別器結(jié)構(gòu)示意圖Fig.3 Discriminator Structure Diagram

實現(xiàn)IDCGAN具體流程如下：

（1）預(yù)處理環(huán)節(jié)，將一維振動信號轉(zhuǎn)變成二維圖像信號，并灰度化和歸一化處理。

（2）設(shè)定最小批尺寸，預(yù)先給定生成器判別器的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。

（3）保持判別器參數(shù)不變，更新生成器。將生成器和判別器連接起來，生成器接收隨機(jī)噪聲x，產(chǎn)生生成樣本G(x)。設(shè)定生成樣本的標(biāo)簽為1，將生成樣本輸入判別器進(jìn)行正向和反向傳播得到判別器網(wǎng)絡(luò)參數(shù)的偏導(dǎo)數(shù)，利用判別器的偏導(dǎo)數(shù)求出生成器的偏導(dǎo)數(shù)，以優(yōu)化器的方式只使用生成器的偏導(dǎo)數(shù)來更新生成器。

（4）保持生成器參數(shù)不變，更新判別器。生成器接收隨機(jī)噪聲x，產(chǎn)生生成樣本G(x)。設(shè)定生成樣本的標(biāo)簽為0，真實樣本的標(biāo)簽為1。將生成樣本和真實樣本一起輸入判別器進(jìn)行正向和反向傳播得到判別器網(wǎng)絡(luò)參數(shù)的偏導(dǎo)數(shù)，以優(yōu)化器的方式用判別器的偏導(dǎo)數(shù)更新判別器。

（5）進(jìn)行1：1迭代更新，反復(fù)執(zhí)行（3）和（4），對生成器和判別器參數(shù)不斷優(yōu)化。達(dá)到給定的迭代次數(shù)后，迭代停止。

3 基于改進(jìn)的深度卷積生成對抗網(wǎng)絡(luò)的滾動軸承故障診斷方法

3.1 基于改進(jìn)卷積生成對抗網(wǎng)絡(luò)滾動軸承故障診斷方法的步驟

3.1.1 樣本采集及處理

采集正常、外圈故障、內(nèi)圈故障和滾動體故障軸承信號相同組（以100組為例）。其中5組作為模擬小樣本情況的真實樣本，95組作為ANN的測試樣本。將振動信號轉(zhuǎn)變?yōu)閳D片進(jìn)行特征提取，并將圖片灰度化和壓縮為28×28格式。

3.1.2 IDCGAN樣本生成

提前設(shè)定好IDCGAN迭代步長，迭代次數(shù)，學(xué)習(xí)率和其他參數(shù)，依次將每類軸承的5 組真實樣本數(shù)據(jù)輸入IDCGAN，等待IDCGAN訓(xùn)練穩(wěn)定后，每類軸承選取穩(wěn)定后的95組數(shù)據(jù)作為生成樣本。

3.1.3 故障診斷及測試

將每類軸承的5組真實樣本和95組生成樣本進(jìn)行混合，然后將共400組數(shù)據(jù)輸入ANN進(jìn)行模型訓(xùn)練，利用軸承測試樣本數(shù)據(jù)進(jìn)行模型測試。

3.1.4 結(jié)果分析

對ANN的分類識別率進(jìn)行結(jié)果分析，得出結(jié)論。

3.2 故障特征提取

因為圖像包含了豐富的故障信息，這里選擇將一維振動信號進(jìn)行圖片化處理。對稱點(diǎn)模式（Symmetrized Dot Pattern，簡稱SDP）[10]是一種信號分析方法，其可以通過簡單的變換將一維的時間序列轉(zhuǎn)換為二維的對稱花瓣圖，如圖4所示。信號之間的特征可以通過花瓣圖形狀的不同來體現(xiàn)。

圖4 振動信號和其對應(yīng)的SDP圖Fig.4 Vibration Signal and Its Corresponding SDP Diagram

在時域的離散信號數(shù)據(jù)中，時刻i的信號幅值為xi，時刻i+1的信號幅值為xi+1。通過SDP 計算公式使其轉(zhuǎn)換為成極坐標(biāo)空間中的點(diǎn)。SDP的具體計算公式為：

式中：r(i)—極坐標(biāo)半徑；xmax—該時域信號的最大值幅值；xmin—該時域信號的最小值幅值；Θ(i)—極坐標(biāo)逆時針沿初始線旋轉(zhuǎn)的角度；l—時間間隔參數(shù)；θ—鏡像對稱平面旋轉(zhuǎn)角（該值為360/mn，其中m=1，…，n，n—鏡像對稱平面的個數(shù)）；ξ—放大因子（其值小于等于θ的值）；?(i)—極坐標(biāo)順時針沿初始線旋轉(zhuǎn)的角度。

當(dāng)進(jìn)行SDP 轉(zhuǎn)換時，各項參數(shù)的選取十分重要[11]。當(dāng)選取不同的參數(shù)時，其SDP 圖形各不相同。而其中θ、ξ與l這三個參數(shù)選擇最為重要。ξ一般要小于θ，l取值在（1～10）之間取值最佳，而θ為60°時，可以對信號特征進(jìn)行很好的表述。經(jīng)過控制變量分析對比，這里選取θ為60°，ξ為π 4，l取10。

3.3 定量分析指標(biāo)

為了衡量運(yùn)用IDCGAN 進(jìn)行軸承故障診斷的性能，分別從結(jié)構(gòu)相似性（Structural-similarity-index，簡稱SSIM）與峰值信噪比（Peak Signal-to-noise Ratio，簡稱PSNR）兩方面來進(jìn)行圖片定量評價。

3.3.1 結(jié)構(gòu)相似性

結(jié)構(gòu)相似性是評價兩張圖像相似度的指標(biāo)之一。圖像x和圖像y的SSIM求解公式如下：

式中：μx—x的平均值；μy—y的平均值的方差的方差；σxy—x和y的協(xié)方差；c1=(k1L)2；c2=(k2L)2—用來維持穩(wěn)定的常數(shù)，L是像素值的動態(tài)范圍。k1=0.01，k2=0.03。

結(jié)構(gòu)相似度從亮度、對比度和結(jié)構(gòu)三方面來綜合評價圖像的相似性。其值越大越好，當(dāng)兩張圖像的上述特征完全一致時，結(jié)構(gòu)相似性的值等于1。

3.3.2 峰值信噪比

峰值信噪比是一種全參考的圖像相似度評估指標(biāo)。對于m×n單色圖像I 和K 來說，定義兩者之間的均方誤差（Mean-Square Error，簡稱MSE）為：

兩張圖像的PSNR定義為：

在圖像處理中，經(jīng)常選用峰值信噪比來評價圖片的質(zhì)量，它是一種基于統(tǒng)計特性的指標(biāo)，它遍歷圖像的所有像素來獲取圖像之間的差異，兩幅圖像之間峰值信噪比越大，則越相似。

4 實驗信號分析

4.1 某大學(xué)信號分析

為了衡量IDCGAN 在小樣本滾動軸承故障診斷中的適用性，將其與未進(jìn)行樣本生成下的直接故障診斷與運(yùn)用DCGAN模型進(jìn)行故障診斷的結(jié)果進(jìn)行分析對比。首先選用凱斯西儲大學(xué)的滾動軸承數(shù)據(jù)進(jìn)行實驗分析。軸承所在軸的轉(zhuǎn)速1750r/min、采樣頻率為12000Hz、故障直徑0.7mm 以及加載載荷大小為2HP。選取正常、外圈故障、內(nèi)圈故障和滾動體故障軸承信號各100組。

首先將軸承信號進(jìn)行SDP處理。得到的結(jié)果，如圖5所示?？梢钥闯鏊念愝S承的SDP圖形差異性明顯，可以很好地表達(dá)軸承的數(shù)據(jù)特征。然后對表2的三種模型進(jìn)行分類結(jié)果對比。模型1的ANN 訓(xùn)練樣本為每類軸承的5組信號，測試樣本為每類軸承95組信號：模型2的ANN訓(xùn)練樣本為每類每類軸承5組信號+DCGAN 擴(kuò)充95 組信號，測試樣本為每類軸承95 組信號：模型3 的ANN訓(xùn)練樣本為每類軸承5組信號+IDCGAN擴(kuò)充95組信號測試樣本為每類軸承95組信號。

圖5 四類軸承的SDP圖Fig.5 SDP Diagram for Four Types of Bearings

表2 某大學(xué)軸承信號ANN實驗對比Tab.2 Comparison of the Bearing Signal ANN of the Western Reserve University

在整個實驗過程中激活函數(shù)LeakyReLU和IReLU的斜率a為0.05，IReLU 函數(shù)的b為20[12]。通過大量對比實驗，DCGAN 和IDCGAN 選擇用調(diào)好超參的adam 進(jìn)行加速訓(xùn)練，學(xué)習(xí)速率選為0.001，最大迭代次數(shù)設(shè)為2000次。ANN選擇使用兩層網(wǎng)絡(luò)，利用經(jīng)驗公式，網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)選為35和4，激活函數(shù)分別為logsig和purelin，最大迭代次數(shù)為5000，目標(biāo)誤差為0.00001，學(xué)習(xí)速率為0.001。DCGAN和IDCGAN訓(xùn)練穩(wěn)定后，兩種模型得到的生成樣本，如表3所示。

由表3可知，DCGAN和IDCGAN的生成樣本整體上雖然都學(xué)習(xí)到了真實樣本的形狀特征，但I(xiàn)DCGAN生成樣本的圖像噪聲更少。

表3 生成樣本和真實樣本的SDP圖比較Tab.3 Comparison of SDP Maps Between Generated Samples and Real Samples

當(dāng)兩種網(wǎng)絡(luò)模型都收斂時，100次生成樣本的平均結(jié)構(gòu)相似性和峰值信噪比，如表4所示。

表4 生成樣本和真實樣本相似性比較Tab.4 Comparison of Similarity Between Generated Samples and Real Samples

從表4可以看出，IDCGAN與DCGAN相比，生成樣本與真實樣本的結(jié)構(gòu)相似性更高且具有更高的峰值信噪比，這說明生成樣本的質(zhì)量更高且有更好的抗噪性能。因此IDCGAN與DCGAN相比其生成樣本更接近于真實樣本。

三種模型100次實驗ANN的平均識別率，如表5所示。由表5 可知，通過DCGAN 和IDCGAN 的作用，凱斯西儲大學(xué)的軸承ANN識別率由未生成樣本情況下的75.18%提高到了90.79%和92.94%。IDCGAN更好的提高了凱斯西儲大學(xué)滾動軸承的ANN識別率。

表5 凱斯西儲大學(xué)軸承數(shù)據(jù)的ANN識別率Tab.5 ANN Recognition Rate of Bearing Data of Case Western Reserve University

4.2 實驗室信號分析

接著采用實驗室得到的滾動軸承數(shù)據(jù)[13]進(jìn)行實驗分析。使用電火花加工技術(shù)分別在SKF 6206-2RS1/C3深溝球軸承上布置了外圈、內(nèi)圈和滾動體的單體故障，加載載荷大小2kN、故障深度為0.2mm、主軸轉(zhuǎn)速1200r/min及采樣頻率10240Hz。選取正常、外圈故障、內(nèi)圈故障和滾動體故障軸承信號各100組。實驗對比過程和凱斯西儲大學(xué)數(shù)據(jù)相同。

以滾動軸承外圈故障信號為例，當(dāng)兩種網(wǎng)絡(luò)模型都收斂時，100次生成樣本的平均結(jié)構(gòu)相似性和峰值信噪比結(jié)果，如表6所示。

表6 生成樣本和真實樣本相似性比較Tab.6 Comparison of Similarity Between Generated Samples and Real Samples

從表6可以看出，IDCGAN與DCGAN相比，生成樣本與真實樣本的結(jié)構(gòu)相似性更高且具有更高的峰值信噪比，這說明生成樣本的質(zhì)量更高且抗噪性能更好。因此IDCGAN與DCGAN相比生成樣本更接近于真實樣本，IDCGAN更好地學(xué)習(xí)到了真實樣本的特征。

表7為三種模型100次實驗ANN的平均識別率。由表7可知，通過DCGAN 和IDCGAN 的作用，實驗室軸承ANN 識別率由未生成樣本情況下的68.45%提高到了84.61%和86.56%，IDCGAN更好地提高了實驗室滾動軸承的ANN識別率。不同數(shù)據(jù)集的實驗結(jié)果證明了IDCGAN不僅能夠提高小樣本情況下的滾動軸承ANN識別率，而且相比較DCGAN，其生成樣本質(zhì)量更高，生成樣本特征更接近于真實樣本，對滾動軸承的ANN識別率更高。因此，IDCGAN能夠更好地解決小樣本情況下的滾動軸承故障診斷問題。

表7 實驗室軸承數(shù)據(jù)的ANN識別率Tab.7 ANN Recognition Rate of Laboratory Bearing Data

5 結(jié)論

提出了一種改進(jìn)的深度卷積生成對抗網(wǎng)絡(luò)模型來進(jìn)行滾動軸承的故障診斷，解決了工程實際中小樣本情況下的滾動軸承故障診斷的問題。通過對凱斯西儲大學(xué)信號和實驗室信號分析并將本方法與無生成樣本下及DCGAN 方法下的軸承故障診斷進(jìn)行對比，結(jié)果表明使用IDCGAN能更好地識別滾動軸承故障。因此本文所提的改進(jìn)方法對小樣本的滾動軸承故障診斷有較好的結(jié)果，發(fā)展前景較為廣闊。但是，滾動軸承故障診斷結(jié)果與IDCGAN的結(jié)構(gòu)和參數(shù)選擇都有很大聯(lián)系，目前還沒有完善的選擇標(biāo)準(zhǔn)，這些都有待研究來進(jìn)一步提高滾動軸承故障診斷精度。