故障涡轮数据中的不平衡分类：新型近端策略优化
系统与控制
2023-01-11 v1 机器学习
系统与控制
摘要
在工业与真实世界系统中，检测故障并实施最佳方法日益重要。我们致力于寻找人工智能应用所提出的最可信、最实用的基于数据的故障检测方法。本文提出一种基于强化学习及近端策略优化（proximal policy optimization）策略的故障检测框架。由于故障数据匮乏，传统策略的显著缺陷在于其检测故障类的能力薄弱，我们通过改变代价函数解决了该问题。利用改进的近端策略优化，我们能够提升性能、克服数据不平衡，并更好地预测未来故障。当实施我们的改进策略时，相较于传统策略，所有评估指标在第一基准上提升 至 ，在第二基准上提升 至 ，在第三基准上提升 至 ，且在性能与预测速度上均优于以往方法。
引用
@article{arxiv.2301.04049,
title = {Imbalanced Classification In Faulty Turbine Data: New Proximal Policy Optimization},
author = {Mohammad Hossein Modirrousta and Mahdi Aliyari Shoorehdeli and Mostafa Yari and Arash Ghahremani},
journal= {arXiv preprint arXiv:2301.04049},
year = {2023}
}