劉可真, 姚 岳*, 趙現(xiàn)平, 楊春昊, 盛戈皞, 王 科

(1.昆明理工大學(xué) 電力工程學(xué)院,云南 昆明 650500;2.云南電網(wǎng)有限責(zé)任公司,云南 昆明 650200;3.上海交通大學(xué) 電氣工程系,上海 200240;4.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院,云南 昆明 650217)

0 引言

能源是人類生存中不可或缺的物質(zhì)基礎(chǔ),極大地推動著社會經(jīng)濟的高速發(fā)展,目前電能在我國終端能源消費中占比高達26.8%,近十年增幅在世界主要經(jīng)濟體中最大,電氣化整體程度位居世界前列[1]。隨著遠距離、大規(guī)模、高容量的電網(wǎng)發(fā)展,對輸變電設(shè)備的安全穩(wěn)定性也提出了更高的要求,作為電力系統(tǒng)中變換電壓等級的關(guān)鍵設(shè)備,變壓器可靠的運行極為重要。

變壓器內(nèi)部存在故障時,通常會產(chǎn)生大量的CH4、C2H6、C2H4和C2H2等一系列低分子烴類,以及H2、CO和CO2等氣體。油中溶解氣體分析(DGA)被認為是最主要且有效的變壓器故障診斷方法,能夠在變壓器運行過程中進行測定,不受外界因素的干擾。通過對上述油中溶解氣體的類別及濃度進行定性定量分析,可以有效地判斷出電力變壓器的運行狀況,提前發(fā)現(xiàn)內(nèi)部存在潛伏故障,保證變壓器能夠長期穩(wěn)定運行[2]。

基于DGA理論,國內(nèi)外研究者提出了諸多的變壓器故障診斷方法,早期的比值法、三角形法等,由于存在比值缺失,故障判別邊界條件不清晰,無法完全反映特征氣體與各類故障之間的隱藏規(guī)律[3-4]。隨著計算機網(wǎng)絡(luò)的發(fā)展,基于機器學(xué)習(xí)的智能診斷方法提高了對變壓器各種故障類型的識別準(zhǔn)確率。目前常用的機器學(xué)習(xí)算法包括專家系統(tǒng)[5]、SVM[6]、集成學(xué)習(xí)[7]和神經(jīng)網(wǎng)絡(luò)[8]。其中,具有扎實理論基礎(chǔ)的SVM模型在小樣本下泛化性能較好,被廣泛應(yīng)用于變壓器故障診斷。然而,變壓器實際運行中發(fā)生故障的概率較低,導(dǎo)致收集的數(shù)據(jù)集中各種故障類型樣本數(shù)量存在較大差異。當(dāng)類別不平衡的數(shù)據(jù)集的用于上述分類模型訓(xùn)練時,模型容易忽略少數(shù)類樣本包含的特征信息,且模型訓(xùn)練時過度依賴少數(shù)類樣本數(shù)據(jù)易出現(xiàn)過擬合,造成在新數(shù)據(jù)上的識別準(zhǔn)確率較低[9]。

為降低不平衡數(shù)據(jù)的影響,從數(shù)據(jù)角度對數(shù)據(jù)進行欠采樣和過采樣。過采樣以隨機采樣來增加樣本,常用的方法主要有合成少數(shù)類過采樣技術(shù)(SMOTE)[10]、改進過采樣技術(shù)(Borderline-Smote)[11]和自適應(yīng)合成抽樣(ADASYN)[12]等。此類算法生成新樣本時,存在邊緣樣本重疊的問題。其中,隨機欠采樣則以隨機丟棄部分多數(shù)類樣本,會造成故障特性信息的丟失,需要加以改進。

基于此,本文提出了一種基于樣本集成學(xué)習(xí)的SO-SVM變壓器故障診斷方法。首先,為解決人為設(shè)置SVM模型關(guān)鍵參數(shù)(懲罰系數(shù)c和核函數(shù)系數(shù)g)不合理而導(dǎo)致分類性能降低[13],采用蛇優(yōu)化算法(SO)對其進行優(yōu)化。以優(yōu)化參數(shù)后的SVM模型作為Balanced Bagging Classifier集成學(xué)習(xí)策略的基分類器,建立變壓器故障診斷模型。該方法可通過EasyEnsemble采樣器對樣本集進行多次欠采樣獲得多個訓(xùn)練子集,然后以Bagging策略組合多個基分類器結(jié)果,得到最終診斷結(jié)果,實現(xiàn)對變壓器運行狀態(tài)的準(zhǔn)確分析。

1 基本原理

1.1 支持向量機

SVM算法的基本原理如圖1所示,目標(biāo)是求解一個能有效區(qū)分數(shù)據(jù)的超平面,需要在保證精度較高的同時滿足兩側(cè)數(shù)據(jù)到超平面的幾何間隔最大。

圖1 SVM分類原理Fig.1 SVM classification principle

對于一般的二分類問題,假設(shè)正類記為+1,負類記為-1,對于給定的特征空間中的數(shù)據(jù)集S={(x1,y1),(x2,y2),…,(xk,yk)},其中xi∈Rk,代表第i個特征所包含的特征向量;yi∈{-1,+1},代表所屬類別;i∈(1,k)。當(dāng)數(shù)據(jù)在空間中線性可分時,記分隔超平面為w·x+b=0,數(shù)據(jù)集中的任意一點(xi,yi)到超平面的幾何間隔為[14]

(1)

式中:w為超平面權(quán)重向量;b為偏置參數(shù)。

(2)

式中:α為拉格朗日乘子;k為支持向量數(shù)量。

(4)

式中:α*為拉格朗日乘子。

此時求得分離超平面為:w*·x+b*=0。相應(yīng)的分類決策函數(shù)為[16]

f(x)=sign(w*·x+b*)=

(5)

而在特征空間中的數(shù)據(jù)集線性不可分時,需要借助核函數(shù)對其作非線性變化映射到高維線性可分的特征空間中,在高維空間中訓(xùn)練線性支持向量機。假設(shè)核函數(shù)表示為K(x,z),初始特征在高維空間中的映射關(guān)系為φ(x),則對初始輸入特征空間中的x、z,有如下變換:

K(x,z)=φ(x)·φ(z)

(6)

式中:K(x,z)為核函數(shù);φ(x)為映射函數(shù)。

將線性可分下的支持向量機內(nèi)積用核函數(shù)代替的分類決策函數(shù)為

(7)

在模型的訓(xùn)練過程中,一個訓(xùn)練樣本最終是否出現(xiàn)在模型參數(shù)表達式中與其Lagrange乘子α相關(guān);只有α>0時保留,其對應(yīng)的樣本點處在最大間隔邊界上,是一個與最終模型相關(guān)的支持向量。

1.2 蛇優(yōu)化算法

蛇優(yōu)化算法(SO)是Hashim,F.A和Hussien,A.G在2022年提出的新型智能仿生學(xué)優(yōu)化算法[17],算法模仿蛇的生活習(xí)性:分為覓食、戰(zhàn)斗和繁殖模式。由于蛇類是冷血動物,其行為與生存的環(huán)境溫度息息相關(guān)。若當(dāng)前沒有食物,雌雄個體都會尋找食物,個體之間會彼此遠離以搜尋食物,搜索范圍大,找出附近食物充足的區(qū)域。當(dāng)食物充足后,蛇個體之間會通過信息共享,以保證沒有得到足夠食物的同伴可以快速獲得食物,滿足需求。若此時食物充足,且周圍環(huán)境溫度較低,雄性個體比較活躍,彼此之間便會有一定概率出現(xiàn)戰(zhàn)斗情況吸引雌性個體的注意,交配后雌性可以決定是否產(chǎn)卵;周圍環(huán)境溫度較高,蛇個體會往食物位置靠近,即向全局最優(yōu)位置靠近。算法的優(yōu)化原理如圖2所示。

圖2 SO優(yōu)化過程Fig.2 SO optimization process

具體計算:建立SO算法的數(shù)學(xué)模型,假定蛇的種群數(shù)量為n,待優(yōu)化問題解的維度為d,則蛇類個體的位置信息表達為

(8)

同所有啟發(fā)式算法相同,SO算法需要生成均勻分布的隨機種群位置,使得能夠進行優(yōu)化過程,個體位置初始化如式:

Xi=Xmin+r×(Xmax-Xmin)

(9)

式中:Xi為第i個體在所有維度下的位置集合;r為[0,1]區(qū)間的隨機數(shù);Xmax和Xmin為待優(yōu)化問題的上下界。然后將初始化后的種群1…1劃分為雌雄個體,雌性、雄性個體位置分為表示為Xi,m和Xi,f。

蛇類活動的環(huán)境溫度系數(shù)Temp和食物量Q如式(10)所示:

(10)

式中:t為當(dāng)前迭代次數(shù);T為最大迭代次數(shù)。

當(dāng)食物量Q<0.25,算法進行全局搜索;此時蛇類個體隨機選擇位置去尋找食物,雌雄個體以式(11)更新其位置信息[18]:

(11)

式中:Xt+1 i,m和Xt+1 i,f分別為第t+1次迭代雄雌個體的空間位置;Xt rand,m和Xt rand,f分別為第t次時雄雌個體的位置;c2為搜索因子,一般取0.05;Am和Af分別為雄雌個體搜尋食物的能力,計算式如下:

(12)

式中:frand,m和frand,f分別為雄雌個體的隨機適應(yīng)度值;fi,m和fi,f分別為雄雌搜索代理的適應(yīng)度值。

當(dāng)食物量Q>0.25,算法處于局部搜索狀態(tài),此條件下環(huán)境溫度系數(shù)Temp大于0.6時,蛇類個體只會往食物方向運動,按式(13)更新自身位置:

(13)

式中:Xt+1 i,j和Xt i,j為個體t+1和t次迭代時位置信息;Xfood為整體的全局最優(yōu)值;c3為更新因子,一般取2。

當(dāng)環(huán)境溫度系數(shù)Temp小于0.6時,蛇類個體處于戰(zhàn)斗或繁殖模式,戰(zhàn)斗模式下雄雌個體按式(14)更新位置信息,繁殖模式下雄雌個體按式(15)更新位置信息:

(15)

式中:Xbest,f和Xbest,m分別為雄雌個體的最優(yōu)位置;Mm和Mf分別為雄雌個體的繁殖能力;Fm和Ff分別為雄雌個體的戰(zhàn)斗值,計算如式(16)所示:

(16)

式中:fbest,m和fbest,f分別為雄雌個體的最優(yōu)適應(yīng)度值。

如果由后代產(chǎn)生,則由式(9)隨機生成一個個體取代全局中適應(yīng)度最差的個體[19]。

1.3 故障樣本的Ensemble

Balanced Bagging Classifier是Ensemble集成分類器中的一種,原理如圖3所示,其綜合了EasyEnsemble采樣器與分類器的bagging優(yōu)點[20]。

圖3 Balanced Bagging Classifier原理Fig.3 Balanced Bagging Classifier principle

EasyEnsemble采樣器的基本思路是將存在類別不平衡的數(shù)據(jù)集以少數(shù)類樣本為基準(zhǔn),對多數(shù)類樣本進行隨機k次欠采樣,分別和少數(shù)類樣本進行組合,最終得到k份類別平衡的訓(xùn)練數(shù)據(jù)集。假設(shè)變壓器有m種故障類型,按其樣本數(shù)量由多到少進行排序得到樣本集合{D1,D2,…,Dm}。若最后一種少數(shù)類的樣本Dm數(shù)量為|S|,對前m-1種多數(shù)類樣本隨機重復(fù)k次獨立的欠采樣,每次采樣過程中產(chǎn)生的子集記為Di,k,且每一子集在數(shù)量上有|Di,k|=|S|,i=1,2,…,m-1。

多數(shù)類樣本Di在以上采樣過程下,其樣本內(nèi)部的任意一個樣本(xi,yi)被抽到一次及以上的概率為1-(1-1/|Di|)|S|,則該樣本在采樣后形成的k個子集中出現(xiàn)一次及以上概率P1和全部出現(xiàn)的概率P分別為

(18)

當(dāng)最少類樣本數(shù)量|S|確定時,隨著采樣次數(shù)k的增大,樣本(xi,yi)分布在所有訓(xùn)練子集的概率P也隨之增大,這在一定程度上可減少欠采樣方式造成的信息丟失。同時,當(dāng)變壓器其它故障類型樣本數(shù)量與最少類數(shù)量倍數(shù)相差不大時,由式(18)可知樣本(xi,yi)分布在所有訓(xùn)練子集中的概率比倍數(shù)相差較大的故障類型更高,在分類模型中的重視程度更高,確保了此類型故障樣本的采樣質(zhì)量。將k次采樣后得到的集合Dk={D1,k,D2,k,…,Dm-1,k}與最少類樣本集合Dm合并,最終故障類別相對平衡的訓(xùn)練子集記為Ck。

Bagging是對所有基分類器的結(jié)果進行平均化,降低模型過擬合的風(fēng)險,從而減小輸出結(jié)果的誤差,將上述得到的平衡數(shù)據(jù)集Ck分別輸入到基分類器進行學(xué)習(xí),假設(shè)fi(i=1,2,…,k)為每個分類器的決策結(jié)果,變壓器的故障類型標(biāo)識為Lj(j=0,1,…,7),則最終投票結(jié)果fend為

(19)

式中:fi為每個分類器的決策結(jié)果;Lj為變壓器的故障類型標(biāo)識。

2 考慮故障案例類別不平衡的SO-SVM模型

2.1 數(shù)據(jù)預(yù)處理及特征選取

在基于樣本集成學(xué)習(xí)的SO-SVM變壓器故障診斷模型中,選擇H2和4種烴類氣體(CH4、C2H6、C2H4和C2H2)共5類氣體作為診斷模型的輸入特征向量。由于特征尺度影響著模型的參數(shù)更新,各種特征氣體含量量級差異較大,在訓(xùn)練模型過程中,尺度較大特征數(shù)據(jù)對模型的影響可能遠大于尺度小的特征數(shù)據(jù)。為保證模型能夠更好的識別特征中的潛在信息,加快模型的訓(xùn)練速度,采用式(20)將各種特征氣體尺度縮放至區(qū)間[0,1]。

(20)

式中:x為原始樣本氣體序列;x*為縮放后的樣本序列;xmin、xmax為樣本各氣體含量的最小值和最大值。

2.2 變壓器數(shù)據(jù)樣本劃分和故障類型編碼

根據(jù)DL/T 722—2000與IEC 60599—2015以及變壓器內(nèi)部故障下放電能量的強弱與溫度的高低,劃分變壓器運行狀態(tài)及編碼如表1所示。

表1 變壓器狀態(tài)及編碼Tab.1 Transformer status and coding

本文收集了南方電網(wǎng)公司變壓器故障樣例庫中監(jiān)測的油中溶解氣體數(shù)據(jù),將其劃分為訓(xùn)練集和測試集,樣例中各種故障類型分布如表2所示。部分不同故障類型下變壓器油中溶解氣體數(shù)據(jù)如表3所示。

2.3 故障診斷模型

基于樣本集成學(xué)習(xí)的SO-SVM變壓器故障診斷方法如圖4所示,以SO優(yōu)化的SVM模型作為基礎(chǔ)分類器,以Balanced Bagging Classifier樣本的集成學(xué)習(xí)方法對基礎(chǔ)分類器結(jié)果進行綜合決策。模型的具體步驟為:

圖4 故障診斷技術(shù)路線Fig.4 Technical route for fault diagnosis

Step1:將收集到的油中溶解氣體樣本進行縮放處理后,按表所示劃分為訓(xùn)練集和測試集。

Step2:在訓(xùn)練集中,以少數(shù)類樣本為基準(zhǔn),對多數(shù)類樣本進行k次采樣,分別和少數(shù)類樣本進行組合,最終得到k份類別平衡的訓(xùn)練數(shù)據(jù)集。

Step3:設(shè)置蛇優(yōu)化算法種群數(shù)量N,優(yōu)化超參數(shù)維度D,最大迭代次數(shù)T,接著對個體位置進行初始化,計算適應(yīng)度和個體最優(yōu)位置,開始訓(xùn)練并計算個體在每一個訓(xùn)練集的適應(yīng)度。

Step4:計算環(huán)境溫度系數(shù)Temp和食物量Q,依據(jù)雄雌個體不同情況更新位置信息,即更新學(xué)習(xí)參數(shù)c和g,得到當(dāng)前適應(yīng)度,與上一次迭代適應(yīng)度相比較取最優(yōu)適應(yīng)度,使模型在訓(xùn)練集中分類精度最高。

Step5:當(dāng)適應(yīng)度不再變化或達到最大次數(shù)時終止迭代,獲取當(dāng)前SVM模型最優(yōu)超參數(shù)c和g,否則繼續(xù)步驟3。

Step6:使用SO算法得到的最優(yōu)超參數(shù)更新SVM參數(shù)后得到k個SO-SVM分類器。

Step7:將測試集輸入每一個SO-SVM模型,投票決定所有基礎(chǔ)分類器上的結(jié)果,獲得最終診斷的變壓器故障類型。

2.4 診斷結(jié)果評價指標(biāo)

變壓器故障診斷模型實質(zhì)上是分類模型,混淆矩陣可以直觀看出模型對各個故障類別的診斷表現(xiàn),計算出相應(yīng)準(zhǔn)確率。如圖5所示的二分類混淆矩陣,矩陣的主對角線上矩形塊為該類標(biāo)簽被正確預(yù)測的個數(shù),與對應(yīng)類別總數(shù)相比即可得到其診斷準(zhǔn)確率。

圖5 二分類混淆矩陣圖Fig.5 Two-category confusion matrix diagram

當(dāng)數(shù)據(jù)存在類別不平衡性時,受試者特征曲線(ROC曲線)可以更為全面的評價模型的性能。計算曲線與橫坐標(biāo)之間的面積可得到分類模型的AUC值;同樣可衡量模型的分類性能,一般認為其值大于0.5時模型的分類結(jié)果具有參考意義,值越大越模型性能越好。

3 算例分析

3.1 SO優(yōu)化結(jié)果

由于SVM模型的分類準(zhǔn)確率受到參數(shù)c和g的影響,在模型訓(xùn)練時采用SO算法其進行優(yōu)化。SO算法的參數(shù)設(shè)置為:種群數(shù)量t:30;適應(yīng)度值:模型準(zhǔn)確率。算法達到收斂狀態(tài)時,迭代了12次,此時適應(yīng)度值為0.891 27,訓(xùn)練過程中的模型參數(shù)變化如圖6所示,最優(yōu)參數(shù)設(shè)置和選取結(jié)果如表4所示。

表4 最優(yōu)參數(shù)選取結(jié)果Tab.4 Selection results of optimal parameters

圖6 優(yōu)化過程中參數(shù)變化圖Fig.6 Parameter variation diagram during optimization process

3.2 模型診斷結(jié)果對比

本文在Window10系統(tǒng)、核心處理器及頻率:AMD Ryzen 5 5600U 2.30 GHz、內(nèi)存16 GB、編程語言及版本為Python3.9.7環(huán)境下以表中數(shù)據(jù)對模型進行訓(xùn)練。為驗證本文所提模型對變壓器故障診斷的優(yōu)越性,選擇RF、SVM、KNN三種故障診斷模型作為對比模型,四種模型在測試上診斷結(jié)果的混淆矩陣如圖7所示,對應(yīng)診斷準(zhǔn)確率結(jié)果見表5。

表5 不同模型診斷準(zhǔn)確率結(jié)果Tab.5 Diagnostic accuracy results of different models

圖7 各模型診斷結(jié)果混淆矩陣Fig.7 Diagnostic results confusion matrix for each model

從診斷結(jié)果可以看出,本文所提故障診斷方法平均準(zhǔn)確率最高,可靠性高于三種對比模型。對測試集174個數(shù)據(jù)判斷錯誤個數(shù)共12個,準(zhǔn)確率為93.10%,分別比RF、SVM、KNN模型減少了6、12、19個,診斷準(zhǔn)確率提高了3.44%、6.89%、10.92%。

分析少數(shù)類的中溫過熱、低溫過熱以及屬于復(fù)合故障的放電兼過熱等故障類型的泛化性,由于故障類別間的不平衡性,而KNN模型未對其進行有效處理,識別準(zhǔn)確率較低,分別判斷錯誤5、4、4個。SVM由于核函數(shù)和對判斷錯誤的懲罰系數(shù)C的存在,對少數(shù)類識別率稍有提升,分別判斷錯誤4、4、2個。由于RF模型是基于決策樹的Bagging學(xué)習(xí)策略,雖然隨機抽樣得到的訓(xùn)練子集仍存在不平衡性,但學(xué)習(xí)策略在一定程度上提高了對少數(shù)類的識別準(zhǔn)確率,分別判斷錯誤4、3、2個,表明了需要對樣本的類不平衡進行一定的處理。而本文提出的基于樣本集成學(xué)習(xí)的SO-SVM模型利用EasyEnsemble采樣器對訓(xùn)練進行欠采樣生成多個平衡樣本后,以優(yōu)化后的SVM為Balanced Bagging Classifier集成學(xué)習(xí)策略的基分類器,有效降低了樣本間的類不平衡性,對少數(shù)類樣本識別準(zhǔn)確率整體最高,三種少數(shù)類樣本分別判斷錯誤3、2、0個。

將不同模型的診斷結(jié)果繪制為ROC曲線,如圖8所示。從中可以看出本文模型的AUC面積最大為0.960 8,相較于對比模型分別提高了0.026 4、0.042 5、0.081 2,表明本文所提模型在測試集上的泛化性能更優(yōu),更加趨近完美故障分類器。

圖8 不同模型診斷結(jié)果ROC曲線Fig.8 ROC curves of diagnostic results for different models

3.3 不同樣本平衡方法對比

為驗證本文所提樣本平衡方法的有效性,本章選擇過采樣方法SMOTE、ADASYN對本文的訓(xùn)練集進行平衡處理,以優(yōu)化參數(shù)后的SVM作為分類器進行故障診斷。表6中列出了訓(xùn)練集經(jīng)SMOTE和ADASYN過采樣后各故障類型的數(shù)量分布,可以看出,這兩種方法處理后,數(shù)據(jù)集類別同樣相對平衡。

表6 不同平衡方式下的樣本分布Tab.6 Sample distribution under different equilibrium modes

將以上兩種方法平衡后的訓(xùn)練集分別輸入優(yōu)化后的SVM訓(xùn)練后,模型對各類故障的識別結(jié)果與本文所提模型對比情況如表7所示。從表中可以看出,通過SMOTE和ADASYN過采樣平衡樣本后,模型對于少數(shù)類樣本診斷準(zhǔn)確率都得到提高;在本文數(shù)據(jù)下,模型在ADASYN平衡后數(shù)據(jù)上整體表現(xiàn)更佳,平均準(zhǔn)確率較SMOTE提高了1.67%。但由于兩種方法采樣后都存在邊緣樣本的重疊問題,提升效果低于本文所提方法。訓(xùn)練集在本文模型下,診斷準(zhǔn)確率較SMOTE方法和ADASYN方法,分別提高了4.59%、2.87%,驗證了所提模型的有效性。分析模型對所有故障類型的診斷結(jié)果,可以看出,放電兼過熱故障對樣本的不平衡性最敏感,在本文所提模型下所有數(shù)據(jù)均被正確識別。

表7 不同平衡方式下的準(zhǔn)確率情況Tab.7 Accuracy under different balancing methods

4 結(jié)語

本文針對變壓器故障樣本類別不平衡造成分類模型準(zhǔn)確率偏低的問題,選擇H2和4種烴類氣體(CH4、C2H6、C2H4和C2H2)共5類氣體作為診斷模型的輸入特征向量,提出了一種基于樣本集成學(xué)習(xí)和蛇優(yōu)化算法(SO)優(yōu)化支持向量機(SVM)的變壓器故障診斷模型。該模型利用EasyEnsemble采樣器進行多次欠采樣,生成類別平衡的多個子集,然后使用SO優(yōu)化關(guān)鍵參數(shù)后的SVM模型進行訓(xùn)練,并通過Bagging策略綜合各個分類器結(jié)果得到最終故障類型。試驗結(jié)果表明,相比于其他模型和方法,SO-SVM的故障診斷準(zhǔn)確率和AUC值都有明顯提高,對不平衡樣本的故障診斷能力更優(yōu)。

1) 針對變壓器故障樣本類別不平衡問題,建立Balanced Bagging Classifier樣本集成學(xué)習(xí)模型,其通過EasyEnsemble采樣器對數(shù)據(jù)集進行多次欠采樣后生成多份類別平衡的訓(xùn)練子集,以Bagging策略分別訓(xùn)練基分類器后綜合輸出訓(xùn)練結(jié)果,提高了對不平樣本的故障識別能力。

2) 為降低SVM基分類器關(guān)鍵參數(shù)對模型性能的影響,采用SO算法對其進行優(yōu)化,避免人為設(shè)置參數(shù)不合理造成分類準(zhǔn)確率的問題。

3) 算例分析表明,提出的故障診斷模型相比于RF、SVM、KNN模型,診斷準(zhǔn)確率分別提高了3.44%、6.89%、10.92%,AUC值分別提高了0.026 4、0.042 5、0.081 2。在同一分類器下,本文模型相比于SMOTE和ADASYN樣本平衡方法,診斷準(zhǔn)確率分別提高了4.59%、2.87%,說明本文方法對不平衡樣本的故障診斷能力更優(yōu)。