生成对抗小波神经算子：应用于多元时间序列数据的故障检测与隔离
机器学习
2024-01-09 v1 信号处理
摘要
复杂系统中的故障检测与隔离对于确保可靠和高效的运行至关重要。然而，传统的故障检测方法常常难以应对时间序列变量的非线性和多元特征等问题。本文提出了一种生成对抗小波神经算子（GAWNO），作为一种新颖的无监督深度学习方法，用于多元时间序列过程的故障检测与隔离。GAWNO 结合了小波神经算子和生成对抗网络（GAN）的优势，能够有效捕获底层系统不同变量间的时间分布和空间依赖关系。使用 GAWNO 进行故障检测与隔离的方法包含两个主要阶段。在第一阶段，GAWNO 在正常运行工况的数据集上进行训练，以学习底层的数据分布。在第二阶段，利用训练好的 GAWNO，采用基于重构误差的阈值方法，根据偏差值来检测和隔离故障。我们使用田纳西-伊斯曼过程（TEP）数据集以及 Avedore 污水处理厂（WWTP）及其 N2O 排放（称为 WWTPN2O）数据集验证了所提出的方法。总体而言，我们展示了将小波分析、神经算子和生成模型的强大功能整合到单一框架中以检测和隔离故障的想法，与文献中多种公认的基线方法相比，已显示出有前景的结果。
引用
@article{arxiv.2401.04004,
title = {Generative adversarial wavelet neural operator: Application to fault detection and isolation of multivariate time series data},
author = {Jyoti Rani and Tapas Tripura and Hariprasad Kodamana and Souvik Chakraborty},
journal= {arXiv preprint arXiv:2401.04004},
year = {2024}
}