集成分类器是否足以检测和诊断中等严重度故障？
机器学习
2020-07-10 v2 机器学习
摘要
与严重故障相比，中等严重度（IS）故障症状更轻微，且由于与正常运行工况极为相似，更难以检测和诊断。训练数据中 IS 故障样本的缺乏会给基于机器学习（ML）技术构建的故障检测与诊断（FDD）方法带来严重风险，因为这些故障很容易被误判为正常运行工况。集成模型在 ML 中被广泛应用，并被视为检测分布外（OOD）数据的有前景方法。我们通过在两个真实数据集上对若干流行集成模型的大量实验，指出了这些模型中的常见缺陷。随后，我们讨论了如何设计更有效的集成模型以检测和诊断 IS 故障。
引用
@article{arxiv.2007.03167,
title = {Are Ensemble Classifiers Powerful Enough for the Detection and Diagnosis of Intermediate-Severity Faults?},
author = {Baihong Jin and Yingshui Tan and Yuxin Chen and Kameshwar Poolla and Alberto Sangiovanni Vincentelli},
journal= {arXiv preprint arXiv:2007.03167},
year = {2020}
}