一种利用无标签数据的冷水机组故障诊断半监督数据驱动新方法
机器学习
2021-02-08 v1 系统与控制
系统与控制
摘要
在实际冷水机组系统中，应用高效的故障诊断技术可显著降低建筑能耗并提高能效。现有冷水机组故障诊断方法的成功依赖于可获得充足有标签数据用于训练这一条件。然而，实践中标签获取费力且成本高昂。通常，有标签数据数量有限，而可用数据大多无标签。现有方法无法利用无标签数据中所含信息，这显著限制了冷水机组系统故障诊断性能的提升。为有效利用无标签数据以进一步提升故障诊断性能并减少对有标签数据的依赖，我们提出了一种基于半生成对抗网络的冷水机组系统半监督数据驱动故障诊断新方法，该方法将有标签与无标签数据均纳入学习过程。半生成对抗网络可从无标签数据中学习数据分布信息，该信息有助于显著提升诊断性能。实验结果证明了所提方法的有效性。在仅有 80 个有标签样本和 16000 个无标签样本的场景下，所提方法可将诊断准确率提升至 84%，而有监督基线方法至多仅达到 65% 的准确率。此外，当无标签样本充足时，所提方法可将所需最少有标签样本数减少约 60%。
引用
@article{arxiv.2011.00187,
title = {A Novel Semi-Supervised Data-Driven Method for Chiller Fault Diagnosis with Unlabeled Data},
author = {Bingxu Li and Fanyong Cheng and Xin Zhang and Can Cui and Wenjian Cai},
journal= {arXiv preprint arXiv:2011.00187},
year = {2021}
}