EWT-CGAN аугментация данных измерительных систем
Ключевые слова:
диагностика оборудования, сигналы с датчиков, аугментация, синтетические данные, эмпирическое вейвлет преобразование, генеративные состязательные сетиАннотация
В статье представлен новый метод аугментации данных измерительных систем, разработанный для задач мониторинга состояния промышленного оборудования. Актуальность исследования обусловлена существенными ограничениями традиционных методов генерации синтетических данных, которые не способны адекватно воспроизводить сложные нестационарные сигналы с характерными переходными процессами, трендами и сезонными вариациями, наблюдаемыми в реальных промышленных условиях. Предложенный метод основан на интеграции двух современных методов: эмпирического вейвлет-преобразования (EWT) и условных генеративных состязательных сетей (Conditional GAN). Метод реализуется в три этапа: (1) адаптивная декомпозиция исходных сигналов на моды с помощью EWT, (2) категоризация мод с присвоением меток, (3) генерация синтетических данных с использованием Conditional GAN. Для комплексной оценки качества синтезированных сигналов применялся набор статистических метрик, включая расстояние Wasserstein (WS), коэффициент корреляции Пирсона (PCC) и среднеквадратическую ошибку (RMSE). Экспериментальные исследования проводились на реальных данных температурного датчика, работающего в условиях нестационарных режимов промышленного оборудования. Результаты демонстрируют значительное преимущество предложенного метода по сравнению с традиционным подходом timeGAN: снижение расстояния Wasserstein на 17%, увеличение коэффициента корреляции Пирсона на 57% и уменьшение среднеквадратической ошибки на 21%. Полученные данные свидетельствуют об эффективности метода в воспроизведении ключевых характеристик исходных сигналов. Разработанный метод позволяет создавать набор синтетических данных, необходимых для обучения современных нейросетевых моделей диагностики промышленного оборудования. Его практическое применение позволяет существенно сократить затраты на сбор экспериментальных данных, обеспечивая высокое качество синтезированных сигналов, что подтверждено статистическими метриками.
Литература
2. Zhang D., Ma M., Xia L. A comprehensive review on GANs for time-series signals. Neural Comput. Appl. 2022. vol. 34. no. 5. pp. 3551–3571. DOI: 10.1007/s00521-022-06888-0.
3. Brophy E., Wang Z., She Q., Ward T. Generative Adversarial Networks in Time Series: A Systematic Literature Review. ACM Comput. Surv. 2023. vol. 55. no. 10. DOI: 10.1145/3559540.
4. Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative adversarial nets. Adv. Neural Inf. Process. Syst. 2014. vol. 27. pp. 2672–2680.
5. Radford A., Metz L., Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks. 4th Int. Conf. Learn. Represent. (ICLR 2016). 2016. pp. 1–16.
6. Karras T., Aila T., Laine S., Lehtinen J. Progressive growing of GANs for improved quality, stability, and variation. 6th Int. Conf. Learn. Represent. (ICLR 2018). 2018. pp. 1–26.
7. Mirza M., Osindero S. Conditional Generative Adversarial Nets. arXiv preprint arXiv:1411.1784. 2014. pp. 1–7.
8. Mao X., Li Q., Xie H., Lau R.Y.K., Wang Z., Smolley S.P. Least Squares Generative Adversarial Networks. Proc. IEEE Int. Conf. Comput. Vis. (ICCV). 2017. vol. 2017. pp. 2813–2821. DOI: 10.1109/ICCV.2017.304.
9. Arjovsky M., Chintala S., Bottou L. Wasserstein GAN. Proceedings of the 34 th International Conference on Machine Learning. 2017. vol. 70. pp. 214–223.
10. Fabbri C. Conditional Wasserstein Generative Adversarial Networks. 2017.
11. Akcay S., Atapour-Abarghouei A., Breckon T.P. GANomaly: Semi-supervised Anomaly Detection via Adversarial Training. Lect. Notes Comput. Sci. 2019. vol. 11363. pp. 622–637. DOI: 10.1007/978-3-030-20893-6_39.
12. Zenati H., Foo C.-S., Lecouat B., Manek G., Chandrasekhar V.R. Efficient GAN-Based Anomaly Detection. 2018.
13. Maaten L. van der Hinton G. Visualizing Data using t-SNE. Journal of Machine Learning Research. 2008. vol. 9. pp. 2579–2605.
14. Bryant F.B., Yarnold P.R. Principal-components analysis and exploratory and confirmatory factor analysis. Reading and understanding multivariate statistics. Washington, DC, US: American Psychological Association, 1995. pp. 99–136.
15. Yoon J., Jarrett D., van der Schaar M. Time-series generative adversarial networks. Adv. Neural Inf. Process. Syst. 2019. vol. 32. pp. 1–11.
16. Salimans T., Goodfellow I., Zaremba W., Cheung V., Randford A., Chen X. Improved techniques for training GANs. 30th Conference on Neural Information Processing Systems (NIPS 2016). Barcelona, 2016.
17. Heusel M., Ramsauer H., Unterthiner T., Nessler B., Hochreiter S. GANs trained by a two time-scale update rule converge to a local Nash equilibrium. Adv. Neural Inf. Process. Syst. 2017. vol. 2017. pp. 6626–6637.
18. Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image quality assessment: From error visibility to structural similarity. IEEE Trans. Image Process. 2004. vol. 13. no. 4. pp. 600–612. DOI: 10.1109/TIP.2003.819861.
19. Huang N.E., Shen Z., Long S.R., Wu M.C., Shih H.H., Zheng Q., Yen N.-C., Tung C.C., Liu H.H. The empirical mode decomposition and the Hubert spectrum for nonlinear and non-stationary time series analysis. Proc. R. Soc. A Math. Phys. Eng. Sci. 1998. vol. 454. pp. 903–995. DOI: 10.1098/rspa.1998.0193.
20. Dragomiretskiy K., Zosso D. Variational Mode Decomposition. IEEE Trans. Signal Process. 2014. vol. 62. no. 3. pp. 531–544. DOI: 10.1109/TSP.2013.2288675.
21. Gilles J. Empirical wavelet transform. IEEE Trans. Signal Process. 2013. vol. 61. no. 16. pp. 3999–4010. DOI: 10.1109/TSP.2013.2265222.
22. Singh P., Joshi S.D., Patney R.K., Saha K. The Fourier decomposition method for nonlinear and non-stationary time series analysis. Proc. R. Soc. A Math. Phys. Eng. Sci. 2017. vol. 473. no. 2199. DOI: 10.1098/rspa.2016.0871.
23. Gilles J. Empirical Wavelet Transform. IEEE Trans. Signal Process. 2013. vol. 61. no. 16. pp. 3999–4010. DOI: 10.1109/TSP.2013.2265222.
Опубликован
Как цитировать
Раздел
Copyright (c) Алексей Викторович Ерпалов, Владимир Владимирович Синицин, Александр Леонидович Шестаков
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).