样本失衡仍高精度
将GAN过采样与度量学习引入模糊规则分类系统，在样本不平衡场景下有效提升风机故障识别准确率。
Changsheng, Kang · Qian, Xiaoyi · Lixin, Wang · Ziheng, Dai · Shuai, Guan · Yi, Zhao · Sun, Wenyao
IEEE Access 2024
GAN过采样算法生成与真实样本分布一致的合成样本，消除实际样本的不平衡，避免分类器偏向多数类。
度量学习算法优化特征空间，增大不同故障类别之间的距离，使模糊规则分类系统更容易区分相似故障模式。
通过缓解数据分布差异和样本不平衡，模型在不同风机数据上具有更好的适应性，无需针对每台风机重新收集大量故障数据。
在10类兆瓦级风机常见故障上验证，证明方法在样本不平衡情况下能有效提升故障识别准确率。