Time-Series Classification in Smart Manufacturing Systems: An Experimental Evaluation of State-of-the-Art Machine Learning Algorithms

要約

製造業では、センサーの数の増加とセンシング技術の急速な進歩により、大量の多様なデータが収集されています。
SMS 設定で使用できるさまざまなデータの種類の中で、時系列データは重要な役割を果たします。
したがって、TSC の出現はこの領域において非常に重要です。
この研究の目的は、製造および産業環境における TSC タスクに対する SoTA ML および DL アルゴリズムの厳密な実験的評価を提供することで、このギャップを埋めることです。
私たちはまず、TSC と製造文献の両方から 92 を超える SoTA アルゴリズムの包括的なリストを調査して編集しました。
次に、このリストから最も代表的な 36 個のアルゴリズムを選択しました。
さまざまな製造分類タスクにわたるパフォーマンスを評価するために、さまざまな製造上の問題をカバーするさまざまな特性を代表する 22 の製造データセットのセットを厳選しました。
続いて、製造ベンチマーク データセットにアルゴリズムを実装して評価し、各データセットの結果を分析しました。
結果によると、ResNet、DrCIF、InceptionTime、ARSENAL が最高のパフォーマンスを誇るアルゴリズムであり、22 の製造用 TSC データセットすべてで 96.6% 以上の平均精度を誇っています。
これらの発見は、時系列データの時間的特徴を捕捉する際の畳み込みカーネルの堅牢性、効率、スケーラビリティ、有効性を強調しています。パフォーマンス上位 4 つのアルゴリズムのうち 3 つが特徴抽出にこれらのカーネルを利用しているからです。
さらに、LSTM、BiLSTM、および TS-LSTM アルゴリズムは、RNN ベースの構造を使用して時系列データ内の特徴を捕捉する際の有効性が評価されるに値します。

要約(オリジナル)

Manufacturing is gathering extensive amounts of diverse data, thanks to the growing number of sensors and rapid advances in sensing technologies. Among the various data types available in SMS settings, time-series data plays a pivotal role. Hence, TSC emerges is crucial in this domain. The objective of this study is to fill this gap by providing a rigorous experimental evaluation of the SoTA ML and DL algorithms for TSC tasks in manufacturing and industrial settings. We first explored and compiled a comprehensive list of more than 92 SoTA algorithms from both TSC and manufacturing literature. Following, we selected the 36 most representative algorithms from this list. To evaluate their performance across various manufacturing classification tasks, we curated a set of 22 manufacturing datasets, representative of different characteristics that cover diverse manufacturing problems. Subsequently, we implemented and evaluated the algorithms on the manufacturing benchmark datasets, and analyzed the results for each dataset. Based on the results, ResNet, DrCIF, InceptionTime, and ARSENAL are the top-performing algorithms, boasting an average accuracy of over 96.6% across all 22 manufacturing TSC datasets. These findings underscore the robustness, efficiency, scalability, and effectiveness of convolutional kernels in capturing temporal features in time-series data, as three out of the top four performing algorithms leverage these kernels for feature extraction. Additionally, LSTM, BiLSTM, and TS-LSTM algorithms deserve recognition for their effectiveness in capturing features within time-series data using RNN-based structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google