机电工程学院李浩教授和张玉彦副教授团队在工程领域国际顶级期刊《Renewable Energy》（中科院一区TOP期刊，影响因子9.0）发表题为“Multi-class data augmentation and fault diagnosis of wind turbine blades based on ISOMAP_CGAN under high-dimensional imbalanced samples”（基于ISOMAP_CGAN的高维不平衡样本下风电叶片多类数据增强与故障诊断）的研究论文。

论文基于流形学习（ISOMAP）和条件生成对抗网络（CGAN）降低维度、增加结冰和开裂样本量，从而提高诊断准确性。建立了ISOMAP降维模型来捕获结冰和开裂样本的总体特征分布，设计了CGAN网络模型在低维流形空间中生成叶片故障样本。在多个分类器模型下与SMOTE和ADASYN算法的实验比较表明，该方法有效地解决了维度高和多类样本不平衡的问题，显著提高了分类器的性能。与时空学习网络方法和ResDenIncepNet-CBAM算法的对比结果进一步突出了本文方法的优越性和鲁棒性。

此项研究得到了国家自然科学基金青年基金项目（52105536）的支持。

论文链接：

https://www.sciencedirect.com/science/article/pii/S096014812500271X