计算机应用

作者：杨鲜, 赵计生, 强保华, 米路中, 彭博, 唐成华, 李宝莲

单位：1. 广西图像图形与智能处理重点实验室(桂林电子科技大学), 广西 桂林 541004;2. 北京华电天仁电力控制技术有限公司, 北京 100039;3. 中国电子科技集团公司第54研究所, 石家庄 050081

关键词：风机故障检测,不均衡数据,时序特征,采样算法,类间重叠样本

基金：国家自然科学基金资助项目（61762025，62062028）；广西重点研发计划项目（AB18126053，AB18126063，AD18281002）；国家能源科技环保集团股份有限公司资助项目（IKY.2019.0002）；广西自然科学基金资助项目（2017GXNSFAA198226，2019GXNSFDA185007，2019GXNSFDA185006，2018GXNSFAA294058）；广西科技重大专项（AA18118031，AA18242028）；中电科54所发展基金资助项目（SXX1

针对风机数据集的不平衡问题，提出了一种BSMOTE-Sequence采样算法，在合成新样本时综合考虑空间和时间特征，并对新样本进行清洗，从而有效减少噪声点的生成。首先，根据每个少数类样本的近邻样本的类别比例，将少数类样本划分为安全类样本、边界类样本和噪声类样本。然后，对每个边界类样本都遴选出空间距离、时间跨度最接近的少数类样本集，利用线性插值法合成新样本，并过滤掉噪声类样本以及类间重叠样本。最后，以支持向量机（SVM）、卷积神经网络（CNN）、长短期记忆（LSTM）人工神经网络作为风机齿轮箱故障检测模型，F1-Score、曲线下面积（AUC）和G-mean作为模型性能评价指标，在真实风机数据集上把所提算法与常用的多种采样算法进行对比，实验结果表明：相比已有算法，BSMOTE-Sequence算法所生成样本的分类效果更好，使得检测模型的F1-Score、AUC和G-mean平均提高了3%，该算法能有效地适用于数据具有时序规律且不平衡的风机故障检测领域。

来源：2021年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第6期