【论文解读】基于特征级SMOTE的燃气轮机不平衡故障诊断方法

在实际工业运行中，燃气轮机的故障样本通常非常稀缺，且早期微弱故障与正常工况之间存在严重的分布重叠。传统的过采样方法直接在原始数据空间中进行线性插值，容易在重叠区域生成模糊样本，导致分类模型产生误判。针对这一工程问题，论文《Feature-level SMOTE: Augmenting fault samples in learnable feature space for imbalanced fault diagnosis of gas turbines》提出了一种在可学习特征空间中扩充故障样本的诊断思路，以同时应对样本不平衡与类间重叠问题。

图1 原始数据空间与特征空间数据分布示意图

该诊断框架主要包含三个连续步骤：空间映射、特征级数据增强以及故障分类。在数据准备阶段，通过滑动窗口将燃气轮机的排气温度、转子转速、燃油流量等多维时序监测参数切分为样本序列；然后利用深度网络将原始时序样本映射到低维特征空间；接着在特征空间中对少数类样本进行插值扩充，构建类别均衡的特征集；最后通过分类器对特征向量进行训练与故障状态识别。

图2 整体故障诊断框架流程图

空间映射阶段采用了基于深度孪生多头自注意力网络的特征提取架构。由于燃气轮机监测数据具有复杂的时间关联性，多头自注意力机制能够自适应捕捉不同时间尺度的动态依赖特征。在网络训练过程中，孪生结构借助对比损失函数进行参数优化，对同类样本施加距离缩小的约束，对异类样本施加拉大间距的边界惩罚，使映射后的特征空间呈现同类紧凑、异类分离的分布形态，降低了类别之间的重叠度。

在完成空间映射后，算法在已分离的特征空间内执行合成少数类过采样。与传统在原始输入空间插值不同，特征级采样仅在相互拉开距离的故障特征邻域之间寻找插值点并生成合成特征，避免了在类边界模糊区域生成噪声样本。扩充后的均衡特征数据集送入分类器进行参数拟合，使模型在训练过程中能够以平等的权重关注各类工况。

该研究将度量学习与传统重采样算法相结合，通过“先分离表征、后空间扩充”的思路，为高重叠、强时序以及多分类不平衡场景下的设备状态监测提供了规范的技术实现路径，对工业旋转机械的早期异常检测与健康管理具有参考价值。

参考文献：

Feature-level SMOTE: Augmenting Fault Samples in Learnable Feature Space for Imbalanced Fault Diagnosis of Gas Turbines[J]. Expert Systems with Applications, 2024, 238(F): 122023.

https://www.sciencedirect.com/science/article/pii/S0957417423025253