بهبود تشخیص خرابی ماشین آلات صنعتی با استفاده از Feature‑Conditioned Prototype Forest و افزایش داده مبتنی بر Jittering

در این مقاله روشی جدید برای بهبود تشخیص خرابی در ماشین آلات صنعتی ارائه می شود که ترکیبی از یک الگوریتم طبقه بندی مبتنی بر نمونه های نماینده و یک روش افزایش داده مبتنی بر Jittering است. هدف پژوهش افزایش دقت و تفسیرپذیری مدل های نگهداری پیش بین در مواجهه با مجموعه داده های نامتوازن و نویزی است. ابتدا ویژگی های حسگری استانداردسازی شده و با استفاده از یک مدل ساده اهمیت نسبی هر ویژگی استخراج می شود؛ سپس برای هر کلاس چند پروتوتایپ با خوشه بندی KMeans تعیین می گردد. فاصله های وزن دار نمونه ها تا پروتوتایپ ها محاسبه شده و بردار فواصل به عنوان ورودی به یک مجموعه درخت های کم عمق (Forest) داده می شود تا تصمیم نهایی گرفته شود. برای مقابله با عدم تعادل، نمونه های اقلیت با افزودن نویز گوسی کنترل شده (Jittering) تکثیر می شوند تا توزیع کلاس ها متعادل و تنوع نمونه ها افزایش یابد. نتایج تجربی روی داده های صنعتی نشان می دهد که روش پیشنهادی دقت طبقه بندی و حساسیت به تشخیص خرابی را نسبت به پایه های مرسوم بهبود می بخشد و هم زمان قابلیت تبیین تصمیم ها را با ارائه پروتوتایپ های نماینده فراهم می آورد.

Keywords:

تشخیص خرابی , نگهداری پیش بین , Feature Conditioned Prototype Forest , افزایش داده , Jittering