在实时探测卡监控中缺少传感器数据输入的基于自我注意的深度学习

科学领域:

• 工业传感器网络 工业传感器网络
• 机器学习中的数据完整性
• 信号处理 信号处理

背景情况:

• 实时传感器数据对于工业监测,异常检测和预测性维护至关重要.
• 来自传感器故障的缺失数据挑战了数据完整性和随后的分析.
• 需要有效的归算方法来解决工业传感器网络中的数据缺口.

研究的目的:

• 应用和评估基于自我注意力计算的时间序列模型,用于重建损坏的传感器信号.
• 为了比较自我注意力模型的性能与传统的归算方法和双向循环归算时间序列模型.
• 评估工业监控应用的自我注意模型的准确性和计算效率.

主要方法:

• 使用基于自我注意的时间序列深度学习模型.
• 应用该模型来重建来自工业传感器 (加速计和麦克风) 的信号.
• 使用时间和频率域指标评估性能,与传统方法和循环神经网络模型进行比较.

主要成果:

• 自我注意模型表现出具有竞争力或优异的准确性,平均绝对平均误差比传统方法提高66%.
• 观察到显著的准确性增长,特别是在大量数据丢失的场景中 (25%-88%的改善).
• 基于注意力的架构每时代训练的速度是基于循环的模型的20倍以上.

结论:

• 基于自我注意的时间序列计算模型是确保工业监控系统数据完整性的强大而务实的解决方案.
• 该模型在重建的信号中实现了高保真性,即使数据损失很大.
• 高性能和计算效率的平衡使得自我注意框架适合严苛的监控应用程序.