基于ACGAN的高可靠性时间序列数据生成方法

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 大数据处理,特别是在工业故障诊断中,面临着小样本规模的挑战.
• 现有的生成对抗网络 (GAN) 方法经常忽视时间特征,导致特征提取不足,生成数据的可靠性低.
• 由于实际数据的类别差异较低,生成数据的重叠程度较高,进一步降低了可靠性.

研究的目的:

• 提出一种新的时间序列数据生成方法,即高可靠性ACGAN (HR-ACGAN),用于工业故障诊断.
• 通过结合时间特征来增强特征提取能力.
• 提高生成数据的可靠性和类别差异化.

主要方法:

• 将双向长短期存储器 (Bi-LSTM) 网络层集成到区分器中以捕获时间特征.
• 在生成器中设计了改进的训练目标功能,以最大限度地减少数据重叠并提高可靠性.
• 在两个代表性的工业故障数据集上进行应用和模拟分析.

主要成果:

• HR-ACGAN方法成功生成与真实数据高度相似的时间序列数据.
• 使用HR-ACGAN生成的数据扩展数据集,导致分类准确性的显著改善.
• 该方法有效地缓解了与工业故障诊断中的数据集不平衡相关的问题.

结论:

• 拟议的HR-ACGAN方法提供了一个可靠的解决方案,用于生成可靠的,高质量的合成数据,用于工业故障诊断.
• 整合时间动态和改进的培训目标提高了GAN对复杂时间序列数据的能力.
• HR-ACGAN为实际应用提供了有效的技术支持,特别是解决故障诊断中的数据稀缺问题.