基于主动学习和加权支持向量机的工业故障识别.pdf

第 51 卷 第 4 期 浙 江 大 学 学 报 （工学版） Vol. 51 No. 4 2017年 4 月 Journal of Zhejiang University (Engineering Science) Apr . 2017 D O I ：10. 3785/j. issn. 1008-973X. 2017. 04. 009 基于主动学习和加权支持向量机的工业故障识别 朱东阳，沈静逸，黄炜平，梁 军 ( 浙江大学控制科学与工程学院，浙 江 杭 州 310027) 摘 要 ：针对流程工业过程中有标签故障样本少，样本标注代价昂贵，样本集存在类不平衡以及样本孤点问题，研 究基于最优次优标号(BvSB)和加权支持向量机（W SVM ) 的工业故障分类方法.通过综合考虑样本的信息度和代 表性以及样本中可能存在的孤立点，提出改进的主动学习算法，用于挖掘那些对当前分类器模型最有价值的样本 进行标注 . 在支持向量机训练学习中，对不同样本采用不同的权重系数，不同类别赋予不同的惩罚因子，减少了样 本分布不平衡时对主动学习和分类精度的影响，充分考虑样本点在特征空间的分布情况，提出新的惩罚系数选取 方法 . 以 T E 过程为例，实验结果证明，提出的方法能够在获得较高故障分类准确率的情况下减少标注负担 . 关 键 词 ：主动学习；加权支持向量机(W SVM ); 惩罚系数;故障分类 中图分类号： T P 181 文献标志码：A 文章编号：1008 - 973X(2017)04 -0697 -09 Fault classification based on modified active learning and weighted SVM ZHU Dong-yang ，SH E N Jin g-yi， HUANG Wei-ping， LIANG Jun ^College o f Control Science and Engineering , Zhejiang University , Hangzhou 310027 , China) Abstract ： A new method based on modified Best versus Second-Best (BvSB ) active learning and weighted support vector machine for fault classification in real-world industrial process was presented in order to solve the problems that large-scale labeled fault samples are not easy to acquire? labeling cost is expensive? datasets are usually imbalanced and contaminated with outliers . An improved BvSB selection method was proposed to iteratively select the most valuable data and query their labels by comprehensively measuring the informativeness and representativeness of unlabeled instances and reducing the impact of outliers . Weighted-SVM was introduced to tackle the impact of imbalanced class distribution on active learning and classificatio