- 研究动机
- 文章贡献
- 本文方法
- 混合采样
- 新型平衡森林
- DBCF 整体流程
- 实验结果
- 数据集和实验设置
- 对比故障诊断方法
- 对比基于决策树的方法
- 对比不平衡分类方法
- 模型效率的比较
- 优点和创新点
Paper Reading 是从个人角度进行的一些总结分享，受到个人关注点的侧重和实力所限，可能有理解不到位的地方。具体的细节还需要以原文的内容为准，博客中的图表若未另外说明则均来自原文。
| 论文概况 | 详细 |
|---|---|
| 标题 | 《Deep balanced cascade forest: An novel fault diagnosis method for data imbalance》 |
| 作者 | Hao Chen, Chaoshun Li, Wenxian Yang, Jie Liu, Xueli An, Yujie Zhao |
| 发表期刊 | ISA Transactions |
| 发表年份 | 2021 |
| 期刊等级 | 中科院 SCI 期刊分区(2023年12月最新升级版) 2 区 |
| 论文代码 | 文中未公开 |
作者单位：
- School of Hydropower and Information Engineering, Huazhong University of Science and Technology, Wuhan, China
- School of Marine Science and Technology, Newcastle University, Newcastle upon Tyne, United Kingdom
- China Institute of Water Resources and Hydropower Research, Beijing, China
研究动机
旋转机械在工业中起着极其重要的作用，一旦出现故障会有故障时间长、维修成本高的问题。因此及早发现并正确诊断其故障，有利于其维护和安全使用。由于旋转机器在其大部分使用寿命中都是健康的，只有一小部分的状态监测数据是在机器故障状态下采集的，导致故障检测的数据存在不平衡问题。与不平衡学习相关的方法有数据级方法和算法级方法两类，其中数据级方法能在一定程度上改善不平衡，但也存在一些难以避免的缺陷。算法级方法是为特定的数据和问题而设计的，核心参数的设置是影响方法有效性的关键，其泛化能力弱且人工工作量大。一种新的基于决策树集成方法的深度学习方法 gcForest 显示了不平衡分类的潜力，因此利用 gcForest 开发一个新的不平衡学习框架是可能的。
文章贡献
本文基于级联森林提出了一种用于不平衡故障检测数据集的模型 DBCF，该模型设计了优化的级联随机森林，从数据层面和算法层面改进不平衡学习。首先提出了一种新的多通道级联旋转机械故障诊断框架，该框架将数据级方法和算法级方法相结合。然后提出了一种混合采样方法，通过生成新数据和丢弃类分布边缘的样本实现，为每个梯级森林通道提供平衡的数据集。最后提出了一种基于数据比例统计计算的新型平衡信息熵，并使用该指标设计了一种新型平衡森林。通过在平衡数据集上的对比实验，结果验证了 DBCF 在处理不平衡故障诊断问题上更加稳定和有效。
本文方法
本文提出的 DBCF 方法结构如下图所示，主要是通过混合采样的三个步骤来处理不平衡数据：计算接受率、生成新样本和丢弃样本。采样结果对应每个通道的输入，每个通道对应一个级联的平衡森林，最后对多个通道的输出进行融合得到预测结果。
混合采样
本文基于重要性抽样和拒绝抽样的思想，提出了一种混合采样方法来缓解数据的不平衡。首先使用样本和近邻的样本的距离定义一个样本的接收率，接收率用于刻画一个样本能在多大程度上反映某个类别的特征。接收率的公式如下，其中 ri 为样本 xi 的接收率，d(xi,xi) 为 xi 与 xj 之间的欧氏距离，n 定义为离 xi 最近的 n 个样本中与 xi 属于同一类的样本个数。
上采样过程在同一少数类的两个样本之间产生一个新样本，它们之间的距离由两个样本的接受率决定。公式如下所示，其中 x' 为生成的数据，xi 和 xj 为随机选取的少数类样本，ri 和 rj 为 xi 和 xj 的接受率。
然后生成一系列平衡样本集，并重新计算所有数据的接收率作为样本重要性。由于生成的平衡数据集分布边界模糊，因此使用下采样使边界清晰。下采样通过根据概率丢弃样本来实现，丢弃的概率等于重要性的倒数。混合采样流程如下图所示，在 DBCF 中需要执行 C 次混合采样，为 C 个通道提供数据集。
新型平衡森林
数据分布的不平衡会干扰决策树的特征选择，也会影响信息熵的计算。DBCF 使用的基本分类器是一种新型平衡森林，它采用了一种改进的信息熵——平衡信息熵。平衡信息熵的公式如下，其中 |y| 为当前分支的类数，|Y| 为总类数，xk 为集合 D 中属于 k 类的样本数，Xk 为属于 k 类的样本数。
BF 树采用信息增益率增长树的结构，如下公式所示。其中 a 为特征产生分割的阈值，V 为分割分支的个数，|DV| 为分支 V 的样本个数，本文的模型中设置 V=2。
DBCF 整体流程
DBCF 整体的伪代码如下所示，主要包括混合采样和多通道级联森林两个模块。混合采样用于为多通道级联森林模块的每个通道生成平衡训练数据，每个通道的训练集将被分成生长集和估计集。级联在生长集的训练过程中不断增长，直到在估计集上的性能没有提高。
实验结果
数据集和实验设置
本文的数据集来源于 CWRU 电气工程实验室的公共数据集，以及 MFS 在作者所在实验室采集的数据。总共包括有 9 个数据集，基本信息如下表所示，评价指标使用 G-mean 和 AUC。
对比故障诊断方法
此处和一些故障诊断方法进行比较，人工神经网络采用 BP 算法进行训练，ELM 方法由小波主动函数构成，SMOTE-SAE 方法是将过采样方法 SMOTE 与堆叠自编码器 SAE 相结合，算法的设置如下表所示。
实验结果如下表所示，DBCF 在这些数据集上的评价指标优于其他三种方法。
对比基于决策树的方法
此处和随机森林、gcForest 进行比较，DBCF 和 gcForest 的最大层数设置为 5，树数设置为 100，随机森林的树数设置为 500。实验结果如下表所示，可见 DBCF 对不平衡数据的处理效果较好。
对比不平衡分类方法
此处和一些不平衡学习的方法进行对比，包括重采样方法 WMODA 和 IMH、采用加权 softmax 损失来处理不平衡分类问题的网络模型 DNCNN、半监督和无监督方法 DFCM-MC 和 SMLCI、基于生成对抗网络的方法 GAN-CNN。实验结果如下表所示，可见在类别数量较多、IR 较高的情况下，DBCF 优于这些现有的方法。
模型效率的比较
模型的运行时间如下表所示，可见 DBCF 在训练效率上没有优势，但是与人工神经网络需要根据不同的数据调整参数相比，DBCF 具有可靠稳定的性能。
优点和创新点
个人认为，本文有如下一些优点和创新点可供参考学习：
- 针对故障诊断问题的不平衡的情况，本文提出了一种混合采样方法，先生成一些合成样本，然后通过欠采样来得到更明确的决策边界；
- 在过采样的设置方面，本文通过定义一种名为接收率的指标来量化少数类样本的重要性，使合成样本的构造更为可靠；
- 本文通过改进信息熵的方式，将信息增益率引导的森林推广到不平衡学习上。
