基于IDIG-GAN的小样本电机轴承故障诊断
目录
🔍 核心问题
一、IDIG-GAN模型原理
1. 整体架构
2. 核心创新点
(1) 梯度归一化（Gradient Normalization）
(2) 判别器梯度间隙正则化（Discriminator Gradient Gap Regularization）
(3) 自注意力机制（Self-Attention）
3. 完整损失函数
二、网络结构详解
1. 生成器架构
2. 判别器架构
三、故障诊断流程
1. 数据处理
2. IDIG-GAN训练
3. 诊断模型（2DCNN）
四、实验结果分析
1. 生成质量对比（CWRU数据集）
2. 诊断性能提升
3. 特征空间分布（t-SNE）
4. 消融实验
五、工程部署建议
1. 硬件配置
2. 实时诊断流程
3. 参数调优经验
六、创新总结
1. 理论创新
2. 性能突破
3. 应用价值
🔍 核心问题
工业场景中轴承故障样本稀缺导致传统深度学习诊断失效：
- 常规GAN在小样本下训练不稳定
- 生成样本质量差且多样性不足
- 故障特征在时频域难以有效提取
