Aprendizaje profundo basado en autoatención para la imputación de datos de sensores faltantes en la monitorización de...

Área de la Ciencia:

• Redes de sensores industriales
• Integridad de datos en el aprendizaje automático
• Procesamiento de señales

Sus antecedentes:

• Los datos de sensores en tiempo real son cruciales para la monitorización industrial, la detección de anomalías y el mantenimiento predictivo.
• Los datos faltantes por mal funcionamiento de los sensores desafían la integridad de los datos y el análisis posterior.
• Se necesitan métodos de imputación eficaces para abordar las lagunas de datos en las redes de sensores industriales.

Objetivo del estudio:

• Aplicar y evaluar un modelo de Imputación basada en Autoatención para Series Temporales para la reconstrucción de señales de sensores corruptas.
• Comparar el rendimiento del modelo de autoatención con métodos de imputación tradicionales y un modelo de Imputación Bidireccional Recurrente para Series Temporales.
• Evaluar la precisión y la eficiencia computacional del modelo de autoatención para aplicaciones de monitorización industrial.

Principales métodos:

• Se utilizó un modelo de aprendizaje profundo de Imputación basada en Autoatención para Series Temporales.
• Se aplicó el modelo para reconstruir señales de sensores industriales (acelerómetros y micrófonos).
• Se evaluó el rendimiento utilizando métricas en el dominio del tiempo y la frecuencia, comparando con métodos tradicionales y un modelo de red neuronal recurrente.

Principales resultados:

• El modelo de autoatención demostró una precisión competitiva o superior, con una mejora promedio del 66% en el Error Absoluto Medio sobre los métodos tradicionales.
• Se observaron importantes mejoras en la precisión, especialmente en escenarios con pérdida de datos extensa (mejora del 25 % -88 %).
• La arquitectura basada en atención se entrenó más de veinte veces más rápido por época que el modelo basado en recurrencia.

Conclusiones:

• El modelo de Imputación basada en Autoatención para Series Temporales es una solución robusta y pragmática para garantizar la integridad de los datos en sistemas de monitorización industrial.
• El modelo logra una alta fidelidad en las señales reconstruidas, incluso con una pérdida de datos sustancial.
• El equilibrio entre alto rendimiento y eficiencia computacional hace que el marco de autoatención sea adecuado para aplicaciones de monitorización exigentes.