研究海洋汽轮机故障数据类别不平衡对状态可靠检测的影响

Scidown文献预览系统！

作者：scidown 发布时间：2022-09-10 11:04:28 文章标题：

研究海洋汽轮机故障数据类别不平衡对状态可靠检测的影响( Studying the Effect of Class Imbalance in Ocean Turbine Fault Data on Reliable State Detection )

文章作者：

J Duhaney TM Khoshgoftaar A Napolitano ocean turbine state detection class imbalance condition monitoring

文章简述：

类不平衡在许多现实世界的数据集中普遍存在。当数据集中的一个或多个类中的示例比其余类中的实例数少得多时，就会发生这种情况。当在高度不平衡的数据集上训练时，传统的机器学习技术往往可以简单地忽略少数类，并将所有实例标记为多数类，以最大限度地提高精度。这一问题已经在许多领域得到了研究，但对于海洋水轮机状态监测中故障数据的类别不平衡影响的研究却很少或根本没有。这项研究通过提供振动数据中的类不平衡如何影响学习者可靠识别海洋涡轮机运行状态变化的能力，为弥合这一差距做出了第一次努力。为此，我们在四个具有不同类分布（一个平衡和三个不平衡）的数据集上训练了三个流行但非常不同的机器学习算法，以区分正常和异常状态，并对它们的性能进行了经验评估。本研究中使用的所有数据都是从一个海洋涡轮机的试验床上收集的，并经过采样以模拟不同程度的不平衡。我们在这里发现，就像在其他领域一样，当在类分布高度倾斜的数据上训练时，这三个学习者似乎总体上受到了影响（0.1%的示例处于故障/异常状态，而其余99.9%的示例处于正常操作状态）。然而，人们注意到，当只有5%的例子代表异常状态（其余95%因此表示正常操作）时，逻辑回归和决策树分类器的表现要好于它们在没有不平衡存在时的表现。

文章下载地址（开放版）：