面向工业传感器数据的超分辨率感知
信号处理
2021-01-13 v2 机器学习
摘要
在本文中，我们给出工业传感器数据上超分辨率感知(SRP)的问题表述与方法论框架。工业智能依赖高质量工业传感器数据以进行系统控制、诊断、故障检测、识别与监测。然而，在某些情况下提供高质量数据可能代价高昂。在本文中，我们提出一个新的机器学习问题——SRP 问题，即从工业系统中不理想的传感器数据重建高质量数据。随后提出先进的生成模型以解决 SRP 问题。该技术使得在不升级现有传感器或部署额外传感器的情况下赋能现有工业设施成为可能。我们首先在最大后验(MAP)估计框架下对 SRP 问题进行数学表述。随后给出一个案例研究，对智能电表数据执行 SRP。提出一个名为 SRPNet 的网络，从低频数据生成高频负荷数据。我们进一步采用一种新颖的基于识别的损失与相对对抗损失来显式约束波形重建。实验表明，我们的 SRP 模型能有效重建高频数据。此外，重建的高频数据可在不改变监测设备的情况下带来更好的电器监测结果。
引用
@article{arxiv.1809.06687,
title = {Super-Resolution Perception for Industrial Sensor Data},
author = {Jinjin Gu and Haoyu Chen and Guolong Liu and Gaoqi Liang and Xinlei Wang and Junhua Zhao},
journal= {arXiv preprint arXiv:1809.06687},
year = {2021}
}