刀具磨损监测更准
该模型专门针对刀具磨损各阶段数据不平衡问题，通过生成逼真的带标签样本，显著提升监测分类模型的训练效果，避免模式崩溃。
Zhang, Bowen · 刘献礼 · 岳彩旭 · Liu, Shaoyang · 李雪冰 · Liang, Steven Y. · Lihui, Wang
Journal of Intelligent Manufacturing 2023
利用生成对抗网络为少数类生成有价值的合成样本，平衡数据分布，从而提升刀具磨损监测模型在加速磨损阶段的识别能力。
采用条件Wasserstein GAN-Gradient Penalty（CWGAN-GP）避免模式崩溃和训练不稳定，同时生成更逼真且带标签的磨损状态样本。
提出评价指标评估生成数据，并进一步筛选样本实现有效过采样，确保生成样本有助于提升监测性能。
通过对比实验证明，结合连续小波变换和Inception-ResNet-v2卷积神经网络，数据扩充能有效提升不平衡数据上分类模型的训练效果。