基于注意力堆叠生成对抗网络(AS-GAN)的传感器数据增强用于制造系统在线监测
机器学习
2024-02-23 v2
摘要
机器学习(ML)已广泛采用于先进制造系统中基于在线传感的监测。然而,异常状态下收集的传感器数据通常不足,导致监督机器学习出现显著的数据不平衡问题。一种常见解决方案是引入数据增强技术,即通过合成生成扩充可用的异常状态数据(即少数类样本)。为生成高质量少数类样本,学习异常状态数据的底层分布至关重要。近年来,基于生成对抗网络(GAN)的方法因能学习数据分布并执行数据增强而流行。但在实践中,GAN 数据增强生成样本的质量可能差异巨大。此外,传感器信号由制造系统按时间顺序采集,意味着序列信息在数据增强中亦十分重要。为应对这些局限,受多头注意力机制启发,本文提出一种注意力堆叠 GAN(AS-GAN)架构,用于制造系统在线监测的传感器数据增强。其引入新的注意力堆叠框架以增强 GAN 中的生成器捕获序列信息的能力,从而极大助力提升生成传感器信号的质量。之后,所生成的高质量异常状态传感器信号可更准确地训练分类器,进一步改善制造系统的在线监测性能。在增材制造中开展的案例研究也成功验证了所提 AS-GAN 的有效性。
引用
@article{arxiv.2306.06268,
title = {Attention-stacked Generative Adversarial Network (AS-GAN)-empowered Sensor Data Augmentation for Online Monitoring of Manufacturing System},
author = {Yuxuan Li and Chenang Liu},
journal= {arXiv preprint arXiv:2306.06268},
year = {2024}
}