利用一维时间序列振动数据的深度神经网络集成增强
机器学习
2022-01-14 v2 人工智能
摘要
时间序列数据是数据驱动技术中使用的基本原始数据表示类型之一。在机器状态监测中，时间序列振动数据被过度用于深度神经网络的数据挖掘。通常，振动数据被转换为图像以使用深度神经网络（DNNs）进行分类，而标度图是最有效的图像表示形式。然而，DNN分类器需要海量标注训练样本才能达到其最优性能。因此，多种数据增强技术被应用于分类器以弥补训练样本的不足。然而，标度图是图形表示，现有增强技术存在缺陷，因为它们要么改变图形含义，要么在样本中引入过多改变物理含义的噪声。本研究提出一种名为集成增强的数据增强技术以克服该局限。该增强方法利用加在原始样本集成上的白噪声的力量来生成类真实样本。在将信号与集成平均后，获得包含原始信号特征的新信号。集成增强的参数通过模拟信号验证。所提方法使用10类轴承振动数据并采用三种最先进的迁移学习（TL）模型（即Inception-V3、MobileNet-V2与ResNet50）进行评估。增强样本以两个增量生成：第一增量生成与训练样本数量相同的伪样本，第二增量中样本数逐步增加。所提方法的输出与无增强、使用深度卷积生成对抗网络（DCGAN）的增强以及若干基于几何变换的增强进行比较……
引用
@article{arxiv.2108.03288,
title = {Ensemble Augmentation for Deep Neural Networks Using 1-D Time Series Vibration Data},
author = {Atik Faysal and Ngui Wai Keng and M. H. Lim},
journal= {arXiv preprint arXiv:2108.03288},
year = {2022}
}
备注
The paper has severe scientific errors and needs significant modifications