云模型和集成分类结合的故障数据不平衡学习

作者：马森财; 赵荣珍^*; 吴耀春

来源：振动.测试与诊断, 2023, 43(06): 1114-1243.

DOI：10.16450/j.cnki.issn.1004-6801.2023.06.010

• 滚动轴承
• 分类
• 不平衡学习
• 集成学习

针对故障数据集不平衡而导致的误分类问题，在分析了不平衡数据对传统分类器影响的基础上，提出了一种基于高斯云模型正向、逆向云发生算法的样本再生成技术。首先，针对样本较少的类别，以现有样本特征值为逆向云算法的输入，计算出特征云模型的期望Ex、熵En和超熵He这3个指标；其次，以Ex,En和He为正向云发生算法的输入，衍生出数据量远大于原有样本的云滴(xi,yi)，采集若干云滴的x值作为新的样本特征值，补充了样本数量较少的类，在数据层面解决了不平衡问题；然后，借助集成极限学习机(ensemble extreme learning machine，简称E-ELM)对补充后的平衡数据集进行分类学习，在算法层面提高了最终的分类精度；最后，在一个滚动轴承故障数据集上验证了所提方法的有效性。

• 单位
  兰州理工大学; 机电工程学院