智能制造系统中的时间序列分类：最先进机器学习算法的实验评估
机器学习
2024-08-06 v2 人工智能
摘要
由于传感器数量的增长和传感技术的快速进步，制造业正在收集大量多样的数据。在智能制造系统(SMS)环境中的各类数据类型中，时间序列数据起着关键作用。因此，时间序列分类(TSC)在该领域中至关重要。本研究的目的是通过提供对制造和工业环境中 TSC 任务的最先进(SoTA)机器学习和深度学习算法的严格实验评估来填补这一空白。我们首先从 TSC 和制造文献中探索并编制了超过 92 种 SoTA 算法的综合列表。随后，我们从该列表中选取了 36 种最具代表性的算法。为评估它们在不同制造分类任务上的性能，我们整理了一组 22 个制造数据集，代表了涵盖多样制造问题的不同特征。接着，我们在制造基准数据集上实现并评估了这些算法，并分析了每个数据集的结果。基于结果，ResNet、DrCIF、InceptionTime 和 ARSENAL 是性能最优的算法，在所有 22 个制造 TSC 数据集上平均准确率超过 96.6%。这些发现强调了卷积核在捕获时间序列数据时间特征方面的鲁棒性、效率、可扩展性和有效性，因为排名前四的算法中有三个利用这些核进行特征提取。此外，LSTM、BiLSTM 和 TS-LSTM 算法因使用基于 RNN 的结构有效捕获时间序列数据中的特征而值得认可。
引用
@article{arxiv.2310.02812,
title = {Time-Series Classification in Smart Manufacturing Systems: An Experimental Evaluation of State-of-the-Art Machine Learning Algorithms},
author = {Mojtaba A. Farahani and M. R. McCormick and Ramy Harik and Thorsten Wuest},
journal= {arXiv preprint arXiv:2310.02812},
year = {2024}
}
备注
Published in Robotics and Computer-Integrated Manufacturing journal