A novel density ratio‐based batch active learning fault diagnosis method integrated with adaptive Laplacian graph trimming
Notice bibliographique
Résumé
Abstract In actual industrial processes, although a large number of original data are easy to obtain, only a few samples are effectively labelled, which is insufficient to construct a supervised fault diagnostic model. Facing the industrial demand of fault diagnosis, in this paper, a novel density ratio (DR)‐based batch active learning (BAL) fault diagnosis method integrated with adaptive Laplacian graph trimming (ALGT) method is proposed. First, under the active learning framework, a new index DR‐based on local reachability density (LRD) is proposed to search the low density and high uncertainty samples, in which the local outliers factor (LOF) is used to search the samples in low density region and the ratio of LRD and intra‐class LRD is calculated to search the samples with high uncertainty. Second, the samples are selected and manually labelled in batches according to the proposed index DR, and the labelled data set and the unlabelled data set are updated and reconstructed. Third, based on the reconstructed labelled dataset and remaining unlabelled dataset, a semi‐supervised classifier ALGT is constructed for fault diagnosis. In ALGT, the Laplacian weighted graph is initialized and iteratively optimized by ALGT. Finally, the proposed DR‐based BAL‐ALGT (DRBAL‐ALGT) fault diagnosis method is verified by the Tennessee Eastman process (TEP) and applied to grid‐connected photovoltaic systems (GPVS). The experimental results show that the proposed DRBAL‐ALGT method can achieve higher accuracy for fault diagnosis.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».