面向高度不平衡工业数据的代价敏感 Transformer 预测模型
机器学习
2024-02-14 v1 人工智能
摘要
传感器技术的普及使得收集海量数据成为可能，从而推动了数据驱动模型在工业领域的快速发展。然而，利用这些模型进行故障检测和预测面临着重大挑战，包括缺失值和类别不平衡等问题。此外，工业操作相关的代价敏感性进一步增加了传统模型在此场景下应用的复杂性。本文提出了一种新颖的代价敏感 Transformer 模型，作为系统化工作流的一部分，该工作流还集成了混合重采样器和基于回归的插补器。在使用 Scania 卡车的 APS 故障数据集和 SECOM 数据集对我们的方法进行严格测试后，我们观察到与 SOTA 方法相比，性能有了显著提升。此外，我们进行了消融研究，以分析我们所提方法中不同组件的贡献。我们的研究结果突显了该方法在解决工业场景故障预测独特挑战方面的潜力，从而有助于提高工业操作的可靠性和效率。
引用
@article{arxiv.2402.08611,
title = {A Cost-Sensitive Transformer Model for Prognostics Under Highly Imbalanced Industrial Data},
author = {Ali Beikmohammadi and Mohammad Hosein Hamian and Neda Khoeyniha and Tony Lindgren and Olof Steinert and Sindri Magnússon},
journal= {arXiv preprint arXiv:2402.08611},
year = {2024}
}