Key points are not available for this paper at this time.
在实际工业应用中，滚动轴承大部分时间处于正常工作状态，能够收集到的故障数据不足，因此容易导致数据不平衡。由于标注所有故障数据的成本高，绝大多数故障数据没有标注。本研究提出了一种基于光谱归一化的半监督条件生成对抗网络（SN-SSCGAN）来解决这些问题。其核心思想是利用部分标记的少数故障样本生成具有相似分布的新样本，以平衡数据集。首先，该方法应用小波变换对振动信号进行预处理，获得时频矩阵。其次，部分标记的时频故障数据作为SN-SSCGAN的输入，通过对抗训练实现纳什均衡，然后生成具有相似分布的数据。最后，将生成的故障数据添加到数据集中以进行平衡，并使用卷积神经网络进行故障诊断。通过在CWRU轴承数据集中的对比实验验证了所提方法的有效性。结果表明，该方法可以生成高质量的样本，并在仅使用少量标记样本和其余未标记样本的情况下，在轴承故障诊断中取得满意的结果.
Xu等（周五）研究了这个问题。