面向机械系统时间序列域适应的因果机制迁移网络
机器学习
2019-10-16 v1 系统与控制
系统与控制
摘要
数据驱动模型正成为现代机械系统的关键组成部分，常用于捕捉各类设备与变化环境特性的行为。尽管这些 data-driven 模型对高动态与老化设备具有优异的自适应性，它们通常渴求历史数据上的大量标签，这些标签大多由人类工程师以极高代价提供。标签需求现已成为制约建模精度的主要因素，阻碍应用愿景的实现。幸运的是，域适应通过利用带标签的源数据与无标签的目标数据来增强模型泛化能力，从而可将模型复用于不同域。然而，主流域适应方法在时间序列数据上无法取得理想性能，因为其中多数聚焦于静态样本，即便已有的时间序列域适应方法也忽略了时间序列数据的性质，如时间因果机制。本文中，我们假设因果机制不变，并提出用于时间序列域适应的因果机制迁移网络（CMTN）。通过捕获并迁移多元时间序列数据的动态与时间因果机制，并缓解不同机器间的时间滞后与取值区间差异，CMTN 使数据驱动模型能利用相似系统的现有数据与标签，从而即便数据极为有限，新系统上所得模型也高度可靠。我们报告了来自两个真实案例研究（冷水机组厂房能源优化与锅炉故障检测）的经验结果与经验教训，其优于现有最先进方法。
引用
@article{arxiv.1910.06761,
title = {Causal Mechanism Transfer Network for Time Series Domain Adaptation in Mechanical Systems},
author = {Zijian Li and Ruichu Cai and Kok Soon Chai and Hong Wei Ng and Hoang Dung Vu and Marianne Winslett and Tom Z. J. Fu and Boyan Xu and Xiaoyan Yang and Zhenjie Zhang},
journal= {arXiv preprint arXiv:1910.06761},
year = {2019}
}