《面向不平衡樣本的流形學習故障診斷方法》是依託東北大學，由馮健擔任項目負責人的面上項目。
基本介紹
- 中文名：面向不平衡樣本的流形學習故障診斷方法
- 項目類別：面上項目
- 項目負責人：馮健
- 依託單位：東北大學
中文摘要,結題摘要,
中文摘要
複雜設備及生產過程的樣本數據呈現的嚴重不平衡特性對故障診斷的關鍵環節-故障特徵的提取造成了很大的困難，面向不平衡樣本的故障診斷研究是一個具有重要理論意義和很高工程實用價值的科學問題。項目以典型工業系統為對象，在深入分析數據不平衡特性的不完整、強噪聲、相對冗餘和樣本不均四種表現的基礎上，針對複雜非線性故障的特徵提取問題，研究以半監督和流形學習方法為核心的故障診斷理論與方法。研究內容包括：面向不平衡樣本的半監督數據重構方法；基於DAPK流形學習建模技術；基於代價敏感小波網路的故障特徵提取方法。研究的顯著特點是：（1）提出了基於重採樣和半監督學習的數據重構方法，減輕了因故障樣本稀少對流形結構產生的扭曲影響，解決了數據不平衡對特徵提取帶來的困難；（2）提出了具有先驗導向的局部最佳化和整體排列流形學習方法挖掘樣本數據蘊含的結構信息和幾何規律，解決了故障特徵重疊問題，提高了故障診斷的早期預報能力和準確率。
結題摘要
本項目從研究分析複雜工業過程工況數據特性入手，總結了大部分工業系統中工況數據樣本的三個不平衡特性，即樣本標記不平衡、樣本信息不平衡和樣本類別不平衡，提出了面向具有數據樣本不平衡特性的工業過程故障診斷的特徵提取、數據重構和診斷決策方法，設計了實時監測系統實現了故障的及時、準確診斷，並進一步揭示了基於靜態數據樣本的故障診斷方法未能有效利用系統變數動態關係這一局限性，提出了新的科學問題，指引了後續的研究方向。項目以基於半監督學習方法、基於流形學習方法和基於敏感代價學習方法的特徵提取算法為核心研究內容，以全局提取和局部保持思想為基礎建立了面向不平衡數據樣本的特徵提取機制，提高了數據樣本的利用率，克服了工況數據冗餘造成的“維數災難”問題，解決了目前數據驅動診斷方法對小樣本學習建模不準確以及對噪聲敏感影響診斷準確率的弱點，適合於工程實際套用。研究成果的顯著特點是：引入基於全局和局部的流形學習算法準確計算了數據中心點實現了冗餘信息的有效剔除；解決了帶有不平衡特性的線性不可分數據特徵信息有效提取困難的難題；最佳化平衡了診斷方法性能與計算複雜度之間的關係。研究成果將簡捷地實現複雜工業過程工況數據的特徵提取與故障決策，為生產過程的高效穩定運行提供了一種基礎理論和關鍵技術方法。
