Pytorch实现论文：利用推土机距离与梯度惩罚在ACGAN中训练。

论文简介

论文：ACWGAN-GP for milling tool breakage monitoring with imbalanced data（ACWGAN-GP用于铣削工具断裂监视的数据不平衡数据）

出处：Robotics and Computer-Integrated Manufacturing

论文摘要：铣削操作过程中的刀具破损监测 (TBM) 对于确保工件质量和最大限度减少经济损失至关重要。 在训练数据充足、分布均衡的前提下，基于统计分析和人工智能的TBM方法能够准确识别刀具破损情况。 然而，考虑到实际制造安全，切削刀具通常工作在正常磨损条件下，获取刀具破损信号极其困难。 数据不平衡问题严重影响TBM模型的识别精度和鲁棒性。 本文从数据生成的角度提出了一种基于带有梯度惩罚的辅助分类器 Wasserstein 生成对抗网络（ACWGAN-GP）的 TBM 方法。 通过在ACGAN的损失函数中引入Wasserstein距离和梯度惩罚项，ACWGAN-GP可以生成多类故障样本，同时提高网络在对抗训练时的稳定性。 设计基于多个统计指标的样本过滤器，保证生成数据的质量和多样性。 将质量评估后的合格样本添加到原始不平衡数据集中，以提高刀具破损分类器的性能。 在五轴数控机床上进行了TBM人工控制面铣实验，验证了该方法的有效性。 实验结果表明，该方法在数据生成质量和TBM精度方面优于其他流行的不平衡故障诊断方法，并且能够满足TBM的实时性要