第２９卷第２期计算机集成制造系统Ｖｏｌ．２９Ｎｏ．２２０２３年２月ＣｏｍｐｕｔｅｒＩｎｔｅｇｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎｇＳｙｓｔｅｍｓＦｅｂ．２０２３ＤＯＩ：１０．１３１９６／ｊ．ｃｉｍｓ．２０２３．０２．０１５收稿日期：２０２２－０６－２２；修订日期：２０２２－０７－２８。Ｒｅｃｅｉｖｅｄ２２Ｊｕｎｅ２０２２；ａｃｃｅｐｔｅｄ２８Ｊｕｌｙ２０２２．基金项目：国家自然科学基金资助项目（５２１０５５３６，５１９０５４９４）；河南省重点研发与推广专项（科技攻关）资助项目（２１２１０２２１００７２，２０２１０２２１００８８）。Ｆｏｕｎｄａｔｉｏｎｉｔｅｍｓ：ＰｒｏｊｅｃｔｓｕｐｐｏｒｔｅｄｂｙｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎ，Ｃｈｉｎａ（Ｎｏ．５２１０５５３６，５１９０５４９４），ａｎｄｔｈｅＫｅｙＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔａｎｄＰｒｏｍｏｔｉｎｇＰｒｏｇｒａｍｏｆＨｅｎａｎＰｒｏｖｉｎｃｅ，Ｃｈｉｎａ（Ｎｏ．２１２１０２２１００７２，２０２１０２２１００８８）．不平衡样本下基于生成式对抗网络的风机叶片开裂状态识别张玉彦，张永奇，孙春亚，王昊琪，文笑雨，乔东平，闫新宇，李浩＋（郑州轻工业大学河南省机械装备智能制造重点实验室，河南郑州４５０００３）摘要：针对风机叶片开裂状态样本少、识别率低的问题，提出基于生成式对抗网络（ＧＡＮ）的开裂状态样本增强方法来提高识别率。以经验风险分类模型为对象，从理论角度对不平衡样本问题进行深入分析，设计了满足开裂样本生成与判别的ＧＡＮ网络模型，引入批量归一化保障特征服从标准正态分布，加速网络训练过程收敛。以神经网络为分类器，以Ｆ１值、Ｒｅｃａｌｌ、Ｐｒｅｃｉｓｉｏｎ为度量指标，在３６个ＵＣＩ基准数据集上对所提方法进行测试，结果表明增强后的结果更好。真实实验表明，以逻辑回归及神经网络为分类器，相比原始不平衡样本，增强后的结果分别提升１３．８８％，８．２０％。与ＳＭＯＴＥ算法对比，以上两种分类器的分类准确率分别提高７４％和１１％；与ＡＤＡＳＹＮ算法对比，分类准确率分别提高１９％和２３％。关键词：不平衡样本；风机叶片；样本增强；生成式对抗网络；开裂识别中图分类号：ＴＨ１６５；ＴＨ１７文献标识码：ＡＩｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｃｒａｃｋｉｎｇｓｔａｔｅｏｆｗｉｎｄｔｕｒ...
