Feature-level SMOTE：面向燃气轮机不平衡故障诊断的特征级SMOTE技术

燃气轮机长期运行在高温、高压及高速等极端恶劣工况下，其关键部件的早期故障诊断对于保障运行安全至关重要。然而在工程实际中，收集到的故障样本往往非常稀少，面临严重的类不平衡问题，同时处于退化初期的故障数据与正常数据存在高度的类间重叠，这给深度学习模型的准确识别带来了极大的挑战。针对这些难题，最新发表在《Expert Systems with Applications》上的一篇论文提出了名为“Feature-level SMOTE: Augmenting fault samples in learnable feature space for imbalanced fault diagnosis of gas turbines”的方法，通过将深度表征学习与经典过采样技术相结合，提供了一种缓解不平衡与类间重叠问题的新思路。

传统的过采样方法（例如经典的SMOTE）通常直接在原始输入数据空间中生成虚拟样本，但这在存在严重数据重叠的区域会带来明显的副作用。由于故障初期样本与正常样本在物理测度上差异极其微小，在原始空间进行插值合成容易在重叠区域产生大量模糊、甚至带有错误标签的“噪声样本”，这不仅无法有效提升对故障样本的敏感度，反而容易干扰分类器的边界学习，导致正常样本的误判率上升。因此，在实施数据增强之前，如何将故障样本与正常样本在特征层面有效分离开，成为了提高不平衡分类性能的关键一步。

该研究所提出的特征级SMOTE框架将整个诊断流程科学地划分为空间映射、特征级数据增强以及故障分类三个主要阶段。在空间映射阶段，引入了深度双子多头自注意力网络（DSMHSA）作为特征提取器。该模型采用孪生网络架构，利用对比损失函数进行协同训练，将多维时间序列特征投影到一个具备高可分性的潜特征空间中。在对比损失的作用下，同类样本在特征空间中会被拉近聚拢，而不同类别的样本则会被强行推离，从而在源头上减弱了类间重叠现象。

在完成空间映射后，算法在已经实现良好类间分离的特征空间内，对稀少的故障样本执行SMOTE过采样算法。由于此时的特征空间中同类样本距离较近且异类样本已被推远，在此空间进行线性插值生成的合成样本能够保持良好的类别内聚性，从而避免了原始空间插值时引入的重叠噪声。最后，合成的特征样本与原始特征样本混合，共同组成一个类别均衡的训练集，用于训练分类阶段的Softmax分类器，使得网络能够以更为公平的损失权重兼顾不同性能状态的识别。

为了验证该方法的实际效果，研究人员利用来自实际燃气轮机运行的数据集进行了详尽的五折交叉验证。实验选取了排气温度裕度、排气温度偏差、核心转速偏差以及燃油流量偏差等反映发动机健康状态的关键性能偏差参数，并针对排气温度指示故障和总气温传感器指示故障这两种典型不平衡故障进行了诊断。结果表明，该特征级数据增强方案在平衡准确率等综合评估指标上表现良好。

此外，为了测试该框架的泛化能力，研究团队还在公开的机器人执行失效数据集上进行了对比实验，结果同样证实了该方法在处理多分类不平衡问题时的可行性。尽管特征级SMOTE在面对极度匮乏（如仅有个位数）的原始故障样本时仍存在生成质量受限的边界挑战，并且在保障故障检出率的同时对正常样本的识别率产生轻微影响，但这一研究为复杂工业装备的智能运维和非平衡故障诊断提供了一种有价值的学术思路与技术参考。

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.