改进的MQBC与CS-SVM：解决工业过程故障检测挑战

本文主要探讨了在复杂工业过程中，由于样本集存在的类不平衡问题、样本标注成本高昂以及异常样本的存在（即孤点）所带来的挑战。针对这些问题，研究者提出了结合改进的委员会投票选择算法（Modified Query by Committee, MQBC）和代价敏感支持向量机（Cost-sensitive Support Vector Machine, CS-SVM）的故障检测方法。 首先，针对类不平衡问题，传统的监督学习可能无法有效处理少数类样本，因此引入了MQBC。该算法通过构建多个子模型并对未标注样本进行投票，以评估其信息度。信息度高的样本被优先标记，这样可以在有限的标注预算下更有效地利用数据资源。 其次，对于样本标注成本高的问题，通过主动学习策略，MQBC能够智能地选择那些对模型性能提升影响最大的未标注样本进行标注，降低了整体的标注成本。这一步骤有助于提升模型的泛化能力，尤其是在样本稀缺的情况下。 接着，CS-SVM引入了误分类代价的概念，不同类别之间的误分类被赋予不同的代价权重，这有助于纠正模型对少数类样本的偏见，从而提高故障检测的准确性。通过对错误分类的代价敏感性，CS-SVM能够更好地平衡各类别的预测效果。 最后，通过在铜闪速熔炼过程的实验证明，该方法有效解决了上述问题，并显著提升了故障检测的性能。实验结果显示，改进的MQBC和CS-SVM组合能够有效地处理类不平衡、高成本标注和异常样本，为工业过程的故障检测提供了实用且高效的方法。 本文的研究主要关注如何利用主动学习和代价敏感性来优化故障检测，通过MQBC和CS-SVM的巧妙结合，为解决复杂工业过程中的故障检测难题提供了一种创新的解决方案。这一研究不仅具有理论价值，也具有实际应用价值，对于提高工业过程的稳定性和效率具有重要意义。