A <scp>multi‐fault</scp> diagnosis method based on improved <scp>SMOTE</scp> for <scp>class‐imbalanced</scp> data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract With the development of industrial processes, how to effectively diagnose the faults in an increasingly complex production process has attracted widespread attention. It is worth noting that there may be multiple types of faults in the actual industrial process, and there is an extreme class imbalance between the normal samples and the fault samples. Therefore, it is of practical significance to carry out research on the multi‐fault diagnosis method for class‐imbalanced data. In this paper, a multi‐fault diagnosis method based on improved synthetic minority sampling technology (SMOTE) is proposed. First, aiming at the class imbalance, an improved SMOTE algorithm based on Mahalanobis distance (Mahalanobis distance‐based SMOTE [MSMOTE]) is proposed for oversampling. As the Euclidean distance in the traditional SMOTE algorithm does not consider the coupling relationship between features, the Mahalanobis distance is introduced, which is not dependent on the scale and eliminates the influence of different dimensions. Second, in order to better obtain the global and local information of the sample, the kernel local Fisher discriminant analysis (KLFDA) algorithm is used for feature extraction. Third, a multi‐fault diagnosis model based on the AdaBoost.M2 classifier is constructed in which the decision tree is introduced as the weak classifier. The Adaboost.M2 algorithm integrates multiple decision trees by setting the sample weight, the label weight, and the classifier weight, which effectively improve the classification accuracy by only using the decision tree. Finally, the Tennessee Eastman process is used to conduct case studies. For the comparison results, the proposed multi‐fault diagnosis method based on improved SMOTE has higher 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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle