EWT-CGAN аугментация данных измерительных систем

Обложка

Цитировать

Полный текст

Аннотация

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.

Об авторах

А. В Ерпалов

ФГАУО ВО «ЮУрГУ (НИУ)»

Email: erpalovav@susu.ru
проспект Ленина 76

В. В Синицин

ФГАУО ВО «ЮУрГУ (НИУ)»

Email: sinitcinvv@susu.ru
проспект Ленина 76

А. Л Шестаков

ФГАУО ВО «ЮУрГУ (НИУ)»

Email: president@susu.ru
проспект Ленина 76

Список литературы

  1. Musa N., Gital A.Y., Aljojo N., et al. A systematic review and Meta-data analysis on the applications of Deep Learning in Electrocardiogram. J. Ambient Intell. Humaniz. Comput. 2023. vol. 14. no. 7. pp. 9677–9750. doi: 10.1007/s12652-022-03868-z.
  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).