Oversampling-Feindnetzwerk für klassenimmanente Fehldiagnose

Die gesammelten Daten von Industrieanlagen sind oft unausgeglichen, was negative Auswirkungen auf Lernalgorithmen hat. Dieses Problem wird jedoch schwieriger, wenn es sich um gemischte Datentypen handelt oder wenn es Überschneidungen zwischen den Klassen gibt. Das Problem der Klassenungleichgewicht erfordert ein robustes Lernsystem, das die Daten rechtzeitig vorhersagen und klassifizieren kann. Wir schlagen ein neues feindliches Netzwerk für die gleichzeitige Klassifizierung und Fehlersuche vor. Insbesondere stellen wir das Gleichgewicht im unausgeglichenen Datensatz wieder her, indem wir fehlerhafte Proben aus der vorgeschlagenen Mischung der Datenverteilung erzeugen. Wir haben den Diskriminator unseres Modells so gestaltet, dass er die erzeugten fehlerhaften Proben verarbeitet, um Ausreißer und Überanpassung zu verhindern. Wir zeigen empirisch, dass: (i) der Diskriminator, der mit einem Generator trainiert wurde, um Proben aus einer Mischung von normalen und fehlerhaften Datenverteilungen zu erzeugen, als Fehlerdetektor betrachtet werden kann; (ii) die Qualität der erzeugten fehlerhaften Proben die anderen synthetischen Resampling-Techniken übertrifft. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell im Vergleich zu anderen Methoden zur Fehlersuche über mehrere Evaluierungsmetriken hinweg gut abschneidet; insbesondere ist die Kombination von generativem feindlichem Netzwerk (GAN) und Merkmalsanpassungsfunktion effektiv bei der Erkennung fehlerhafter Proben.