牛蒙蒙，沈明瑞，秦 波，厉大维，刘 阔，王永青

(大连理工大学机械工程学院，辽宁 大连 116024)

0 引言

随着人工智能的发展，越来越多的学者将机器学习，尤其是深度学习应用在机械加工状态的监测中，如刀具状态监测、设备健康状态监测等。然而，和其它应用领域不同的是，大多数机械加工过程在正常状态下运行，异常状态下的样本数据量相对较少，容易出现数据不平衡的问题[1]。训练数据集不平衡会导致深度学习网络在预测加工状态时难以提高准确性，因此，如何解决数据不平衡问题成为提高加工状态监测准确性的关键。

解决该问题的办法之一是增强数据集。一些学者对增强数据集的方法做了研究。Chawla N V[2]提出了一种合成少数类过采样技术(Synthetic Minority Oversampling Technique, SMOTE)，可以随机插入虚拟样本来平衡训练集。Ramentol E等[3]提出了一种改进的基于粗糙集理论的SMOTE算法对少数样本进行过采样。Sun Y等[4]在AdaBoost学习框架中添加了一个成本项目，以调整少数样本的权重。

通过上述研究可以看出，尽管上述这些方法获得了良好的性能，但是它们仍然具有一些缺点，其中之一是缺乏适应性，即它们不能自动学习样本的数据分布特性[5]。另外，过采样只是对少数类样本进行重复增加，不能添加新的数据信息，一定程度上会造成过拟合；欠采样是从多数类样本中提取或删除数据，这种方法会造成数据信息丢失使模型无法充分利用已有的信息。这些方法并不能从根本上解决数据不平衡问题。

生成对抗网络(Generative Adversarial Networks，GANs)[6]作为2014年提出的无监督学习模型，在增强数据集、加工状态监测领域有着广阔的应用前景。……