制造业自动化2024，Vol.46Issue(9) ：121-126.DOI:10.3969/j.issn.1009-0134.2024.09.017

应用于工控数据异常检测的改进TrAdaBoost迁移学习算法研究

Research on Improved TrAdaBoost Transfer Learning Algorithm for Industrial Control Data Anomaly Detection

刘学君 张小妮 栾海英 晏涌 江逸楠
制造业自动化2024，Vol.46Issue(9) ：121-126.DOI:10.3969/j.issn.1009-0134.2024.09.017
✕
  • NETL
  • NSTL
  • 万方数据

应用于工控数据异常检测的改进TrAdaBoost迁移学习算法研究

Research on Improved TrAdaBoost Transfer Learning Algorithm for Industrial Control Data Anomaly Detection

刘学君 1张小妮 1栾海英 2晏涌 1江逸楠1
扫码查看

作者信息

  • 1. 北京石油化工学院 信息工程学院,北京 102617
  • 2. 北京机械工业自动化研究所有限公司 流体传动与汽车装备技术工程事业部,北京 100120
  • 折叠

摘要

为解决工业控制系统多场景异常检测模型迁移难题,提出了一种基于特征排序和遗传算法的TrAdaBoost迁移学习的工控异常检测算法.由于TrAdaBoost要求同维数,首先采用特征选择算法Lasso做特征排序,然后根据排序结果选择重要特征.其次,将源域与目标域数据分布情况与回补参数相结合更新样本权重,减少权重两极化情况.最后采用遗传算法对TrAdaBoost在目标域上基分类器数目进行参数优化,以提高算法在数据上的适应性.将算法在新加坡数据集和自建数据集上进行实验,使用源域数据集进行迁移实验后,正确率提高9.1%,该算法对知识迁移和样本不足的问题提出了更好的解决方案.

关键词

工控异常检测/特征排序/遗传算法/迁移学习

引用本文复制引用

基金项目

北京石油化工学院2021年度重要科研成果培育项目(BIPTACF-008)

出版年

2024
制造业自动化
北京机械工业自动化研究所

制造业自动化

CSTPCD
影响因子：0.482
ISSN：1009-0134
段落导航相关论文