基于TimeGAN数据增强的复杂过程故障分类方法

针对传统基于重构的故障分类方法在故障样本稀疏或失衡情况下效果不佳、故障子空间区分能力弱的问题,提出基于TimeGAN数据增强的复杂过程故障分类方法.针对小子样故障,使用TimeGAN对历史故障数据进行数据增强,生成与历史数据分布相似的虚拟故障样本;采用马氏距离评估虚拟样本的质量,剔除不可信样本,构造平衡的故障样本集.将故障样本映射到高维核空间,并在核空间中提取故障子空间.设计故障分类策略并定义4种故障分类性能评估指标以定量衡量算法的分类性能.Tennessee Eastman应用结果表明,所提数据增强方法可以有效扩充故障样本,进而提高故障重构率.与WGAN-GP和SMOTE方法进行对比,发现基于TimeGAN数据增强的故障分类方法具有更好的分类性能.

基于超声背散射的骨质评价实验研究

随着老龄化进程加剧,骨质疏松已成为一种常见疾病,及时的骨质评价对预防骨质疏松十分重要.基于超声背散射法进行骨质评价,首先根据真实骨样本的CT图片重建了不同孔隙结构的松质骨模型,然后模拟超声在骨模型中的传播过程,获得了大量背散射信号,最后将背散射信号输入至改进的CNN模型中训练.实验结果显示改进的CNN算法对骨样本预测分类的准确率达到了97.3%,对超声背散射的在体应用具有一定帮助.