A novel imbalanced fault diagnosis method integrated <scp>KLFDA</scp> with improved cost‐sensitive learning <scp>ANBSVM</scp>
Notice bibliographique
Résumé
Abstract Fault diagnosis, as an important approach to ensure the safety and stability of industrial processes, has been widely studied in recent years. During the running process, it is noted that the normal data are always much more than the fault data, which demonstrates imbalanced characteristics and leads to a negative effect on the overall accuracy of fault diagnosis. Targeting the problem, a novel imbalanced fault diagnosis method integrated kernel local Fisher discriminant analysis (KLFDA) with improved adaptive near‐Bayesian support vector machine (ANBSVM) is proposed in this paper. First, KLFDA is used to extract the non‐linear features while maintaining the local spatial structure of the data by introducing flow pattern learning. Second, considering the imbalance characteristics of the data, the data set is divided into a majority class (normal data) and a minority class (fault data). The density distributions of the two classes in their overlapping region are characterized by the proportional function of variance. Third, by minimizing the Bayesian error under the proportion function, the weight factors are adaptively obtained and then introduced into the objective function of the support vector machine (SVM). Namely, a cost sensitivity‐based ANBSVM classifier for fault diagnosis is constructed. Finally, by the simulation experiment on the Tennessee Eastman (TE) process, the comparison results show that the proposed ANBSVM‐based fault diagnosis method makes progress in the performance of fault diagnosis with higher diagnostic accuracy and F1 score.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».