在工业设备状态监测中，燃气轮机的运行数据普遍存在样本类别不平衡和类间重叠问题。本次分享的论文题为《Deep attention SMOTE: Data augmentation with a learnable interpolation factor for imbalanced anomaly detection of gas turbines》，发表于《Computers in Industry》。针对正常样本占绝大多数且故障早期数据与正常数据高度重叠的特性，该研究提出了一种结合聚类欠采样与自注意力过采样的混合重采样异常检测框架。

一、整体流程与系统框架

该框架主要由三个环节组成：基于聚类的欠采样、基于自注意力编码器-解码器的特征增强（DA-SMOTE-ED）以及基于自注意力网络的分类诊断。整体流程如图所示：

首先，连续采集的多维时序监控参数通过滑动窗口切分为固定长度的样本片段。然后，样本经历欠采样与隐空间生成，最后构成平衡数据集送入时序分类器。

二、核心技术方案

传统欠采样方法通常采用随机剔除正常样本的方式，容易导致正常工况信息的缺失。该方案采用K均值聚类对多数类的正常样本进行分组，提取聚类中心作为代表性样本，并将其与少数类异常样本共同组成欠采样数据集。该步骤在降低数据不平衡比例的同时，保留了正常工况的核心分布特征。

直接在原始数据空间进行插值采样容易在类间重叠区域生成模糊样本或噪声样本。为此，论文设计了一个包含多头自注意力机制的编码器-解码器结构：

• 编码器：利用多头自注意力层提取多维时间序列在不同子空间的相关性与时序动态，将样本投影至隐特征空间。

• 联合训练约束：在训练编码器与解码器时，结合了类别平衡的重构损失以及三元组中心损失。三元组中心损失约束样本向同类中心靠拢，并与异类中心保持距离，从而扩大隐空间内的类间间隔，收缩容易产生噪声的危险区域。

传统过采样技术多在近邻样本之间采用完全随机的线性插值，合成样本有可能偏向多数类区域。该方法在隐空间内引入了一个自注意力模块来学习插值系数，结构如图所示：

该注意力模块由降维线性层、非线性激活层、升维线性层及归一化激活层构成。输入为少数类样本与其近邻样本对，输出为一个介于零到一之间的自适应标量插值因子。在网络优化过程中，该因子引导合成的异常样本动态靠近异常类中心并远离正常类区域。合成完成后，解码器网络将隐空间的合成特征映射回原始数据空间。

重采样后的平衡数据集被送入由多头自注意力层和全连接分类头构成的时序分类网络。模型利用自注意力机制捕获跨时间步的长依赖关系，最终完成测试样本的异常判别。

三、总结

该工作针对燃气轮机时序监测数据的分布特点，在传统插值过采样基础上引入了度量学习与自适应注意力机制，将数据扩增过程转移至类可分性更优的隐特征空间中执行，提供了一种面向工业时序不平衡分类的技术实现路径。

参考文献

Deep attention SMOTE: Data augmentation with a learnable interpolation factor for imbalanced anomaly detection of gas turbines[J]. Computers in Industry, 2023, 151: 103972.

https://www.sciencedirect.com/science/article/pii/S0166361523001227