检索结果-南通市图书馆

检索条件"主题词=聚类合成少数过采样技术"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于流形学习的工业不平衡数据下的故障诊断研究

基于流形学习的工业不平衡数据下的故障诊断研究

引用

作者：张子阳北京化工大学

学位级别：硕士

随着技术的进步,工业过程向着智能化发展。由于设备一般工作在正常状态,只是在很短的时间内处于故障状态,导致采集的各类故障数据呈现出不平衡的特点,给故障诊断带来了困难。同时,采集到的数据还具有不平衡、非线性、强耦合和具有流形... 详细信息

随着技术的进步,工业过程向着智能化发展。由于设备一般工作在正常状态,只是在很短的时间内处于故障状态,导致采集的各类故障数据呈现出不平衡的特点,给故障诊断带来了困难。同时,采集到的数据还具有不平衡、非线性、强耦合和具有流形结构等特点。如何对不平衡故障样本进行数据生成并提取有效特征,成为提高诊断精度的重要因素。流形学习算法相比与传统故障诊断方法,能保留数据的局部结构信息,提取与故障相关的主要特征。局部敏感判别分析(LSDA)作为一种局部流形学习方法,既能保持局部几何结构,又能充分利用类标签进行判别分析。因此,本文利用两种基于改进SMOTE并集成LSDA的不平衡故障诊断方法,对化工过程进行建模,具体内容如下:(1)本文先提出了一种基于聚类合成少数过采样技术(ClusterSMOTE)集成LSDA的故障诊断方法——c SMOTE-LSDA。其中,c SMOTE通过K-Means算法对少数类进行聚类,先划分出若干个少数类簇,再分别应用SMOTE算法。该算法不仅可以滤除噪声和离群值,还使得合成的新样本都处在同一个少数类范围内,避免类间重叠样本的生成,并大大降低计算量。再利用流形学习的LSDA算法对平衡后的高维、非线性样本进行降维,提取有效的数据特征,并采用Ada Boost.M2多分类器进行故障分类。(2)为了进一步提高少数类故障样本的生成质量和故障诊断精度,本文又提出了一种基于改进的合成少数类过采样技术(ISMOTE)集成LSDA的故障诊断方法——ISMOTE-LSDA。ISMOTE使用了欧氏距离和余弦距离共同度量两点之间的邻近性,考虑了直线位置又考虑了空间几何位置,使样本的k个近邻点的选择更加合理,从而得到更有效的实例。该算法成功解决c SMOTE的合成方式单调、未考虑空间位置的问题,提高故障诊断的准确性。(3)最后,本文以田纳西伊斯曼过程数据集为研究对象,来分别验证这两种方法的性能。结果表明,本文所提出的c SMOTE-LSDA方法比传统的故障诊断方法具有更好的故障诊断精度,且经过改进的ISMOTELSDA进一步提升了少数类样本的生成质量与故障诊断的精度,更适用于不平衡故障诊断问题。

关键词：不平衡故障诊断局部敏感判别分析合成少数过采样技术聚类合成少数过采样技术田纳西伊斯曼

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：