数据不平衡情况下的柴油机故障诊断方法

摘要

由于强调整体分类的准确率，机器学习方法在数据不平衡情况下的柴油机故障诊断效果不佳．因此，本文提出一种改进合成少数过采样技术(SMOTE)与机器学习技术相结合的故障诊断方法．首先对SMOTE算法进行改进，采用k近邻算法滤除多数类中的噪声样本，从而减少各种故障类别之间的重叠．同时，使用k-means算法确定少数类稀疏度和采样权重，减轻类内不平衡．然后，使用改进SMOTE算法平衡柴油机故障数据，并利用机器学习方法进行最终故障诊断．在二维数据集上的实验表明，改进SMOTE算法能有效减轻原始数据中存在的类重叠和类内不平衡问题．柴油机故障诊断实验表明，改进SMOTE算法生成的故障样本能更好地模拟原始故障样本，使用改进SMOTE算法能提高故障诊断方法的准确率．

关键词

数据不平衡 / 故障诊断 / 合成少数过采样技术 / 柴油机 / 振动信号