半监督学习在液压状态监测系统的异常检测中的比较研究
机器学习
2024-11-05 v3 机器学习
摘要
基于状态的维护在液压系统中日益重要。然而，这些系统的异常检测仍然具有挑战性，尤其是异常数据稀少且标注此类数据繁琐甚至危险。因此，建议使用无监督或半监督方法，特别是半监督学习，其在仅有少量标签时利用无监督学习作为特征提取机制来辅助监督部分。本研究系统比较了应用于液压状态监测系统异常检测的半监督学习方法。首先，进行了深入的数据分析与特征学习以理解开源液压状态监测数据集。随后，实现并评估了多种方法，包括传统独立半监督学习模型（如单类 SVM、鲁棒协方差）、集成模型（如孤立森林）以及基于深度神经网络的模型（如自编码器、分层极限学习机（HELM））。具体而言，本研究定制并实现了一种基于极限学习机的半监督 HELM 模型，并验证其优于其他半监督方法。大量实验表明，定制的 HELM 模型取得了最先进的性能，准确率最高（99.5%）、假正率最低（0.015）、F1 分数最佳（0.985），优于其他半监督方法。
引用
@article{arxiv.2306.02709,
title = {Comparative Study on Semi-supervised Learning Applied for Anomaly Detection in Hydraulic Condition Monitoring System},
author = {Yongqi Dong and Kejia Chen and Zhiyuan Ma},
journal= {arXiv preprint arXiv:2306.02709},
year = {2024}
}
备注
7 pages, 8 figures, accepted by 2023 IEEE International Conference on Systems, Man, and Cybernetics (SMC 2023) https://ieeesmc2023.org/