一个新的层次性的时间精细化扩散网络,用于工业软传感器的数据增强

科学领域:

• 工业过程监控 工业过程监控
• 数据驱动的建模.
• 工程领域的人工智能

背景情况:

• 复杂的工业环境给数据采集带来了挑战,导致了小数据问题.
• 小数据集降低了数据驱动软传感器的概括性和可靠性.
• 现有的方法在信息稀疏和高频数据限制方面扎.

研究的目的:

• 提出一种新的层次时间精细化扩散网络 (HTRDN),用于高保真软传感数据增强.
• 在工业环境中解决小数据问题.
• 提高软传感器的概括能力和预测可靠性.

主要方法:

• 系统地将工业时间序列模式分解为多尺度的时间依赖.
• 使用渐进的扩散精细化用于粗细生成虚拟样本.
• 整合噪声预测网络,用于全球相关模型和局部特征提取.
• 在混合数据集的联合培训中采用动态权重策略.

主要成果:

• 层次结构有效地保留了宏观的过程趋势和微观波动特征.
• 拟议的网络实现了用于软传感的高保真数据增强.
• 通过两个工业应用案例证明了有效性.
• 提高了软传感器的概括能力和预测可靠性.

结论:

• 层次时间精细化扩散网络为数据稀缺的工业软传感中数据增强提供了强大的解决方案.
• 该方法成功生成虚拟样本,捕捉真实工业数据的基本特征.
• 这种方法提高了数据驱动软传感器在复杂环境中的性能和可靠性.