应变计时间序列分类的全局特征增强与融合框架
机器学习
2026-02-03 v2 人工智能
摘要
应变计状态（SGS）时间序列识别是智能制造基于物联网的关键任务，准确识别有助于及时检测机械部件故障，避免事故发生。由应变计产生的装载和卸载序列可以通过时间序列分类（TSC）算法进行识别。最近，深度学习模型，如卷积神经网络（CNN），在 TSC 任务中表现突出，能够从子序列中提取判别性局部特征以识别时间序列。然而，我们注意到仅依赖局部特征可能不足以完整表达时间序列，尤其是在不同时间序列之间的局部子序列非常相似的情况下，例如飞机机翼在静力实验中的 SGS 数据。然而，CNN 由于卷积运算的本质，难以提取全局特征。为从全局特征更全面地代表 SGS 时间序列，我们提出了两个见解：（i）通过特征工程构建全局特征；（ii）学习局部特征之间的高阶关系以捕获全局特征。为实现和利用这些方法，我们提出了一个基于超图的全局特征学习与融合框架，学习并融合全局特征以保证语义一致性，从而增强 SGS 时间序列的表征能力，提高识别准确率。我们的方法在工业 SGS 数据和公开 UCR 数据集上进行验证，显示出对未见数据的 SGS 识别具有更好的泛化能力。该代码已提供链接 https://github.com/Meteor-Stars/GFEF 供参考。
引用
@article{arxiv.2511.11629,
title = {Global Feature Enhancing and Fusion Framework for Strain Gauge Time Series Classification},
author = {Xu Zhang and Peng Wang and Chen Wang and Zhe Xu and Xiaohua Nie and Wei Wang},
journal= {arXiv preprint arXiv:2511.11629},
year = {2026}
}
备注
The paper is published in the ACM Web Conference 2025, WWW 2025 Industry Track. The code is available at the link https://github.com/Meteor-Stars/GFEF