A Systematic Review on Imbalanced Learning Methods in Intelligent Fault Diagnosis
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
The theoretical developments of data -driven fault diagnosis methods have yielded fruitful achievements and significantly benefited industry practices. However, most methods are developed based on the assumption of data balance, which is incompatible with engineering scenarios. First, the normal state accounts for the majority of the equipment’s lifespan; second, the probability of various faults varies, both of which result in an imbalance in the data. The consequence of data imbalance in intelligent fault diagnosis methods has attracted extensive attention from the research community, and a significant number of papers have been published. Nevertheless, a comprehensive review of achievements in this field is still missing, and the research perspectives have not been thoroughly investigated. To end this, we review and discuss all the research achievements in fault diagnosis under data imbalance in this survey, based on to the best of our knowledge. First, the existing imbalanced learning methods are classified into three categories: data processing methods, model construction methods, and training optimization methods. Then, the three methodologies are introduced and discussed in detail: the data processing method is to optimize the inputs of the intelligent fault diagnosis model so that the imbalance rate of the sample set involved in training is reduced; the model construction method is to design the structure and the features of the intelligent fault diagnosis model so that the model itself is resistant to the effects of imbalance; the training optimization method is an optimization of the training process for intelligent fault diagnosis models, raising the importance of the minority class in the training. Finally, this survey summarizes the prospects of the imbalanced learning problem in intelligent fault diagnosis, discusses the possible solutions, and provides some recommendations.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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