Data Augmentation of Multivariate Sensor Time Series using Autoregressive Models and Application to Failure Prognostics

要約

この研究では、非定常多変量時系列に対する新しいデータ拡張ソリューションと、その故障予知への応用を紹介します。
この方法は、時間とともに変化する自己回帰プロセスに基づいた著者らの以前の研究を拡張したものです。
これを使用すると、限られた数のサンプルから重要な情報を抽出し、PHM ソリューションのパフォーマンスを向上させる可能性のある方法で新しい合成サンプルを生成できます。
これは、PHM ではよくあるデータ不足の状況、特に障害の予測において特に役立ちます。
提案されたアプローチは、予後実験やベンチマークに一般的に使用される CMAPSS データセットに基づいてテストされます。
PHM 文献からの AutoML アプローチは、予測ソリューションの設計を自動化するために採用されています。
経験的評価により、提案された方法が PHM ソリューションのパフォーマンスを大幅に向上できるという証拠が得られます。

要約(オリジナル)

This work presents a novel data augmentation solution for non-stationary multivariate time series and its application to failure prognostics. The method extends previous work from the authors which is based on time-varying autoregressive processes. It can be employed to extract key information from a limited number of samples and generate new synthetic samples in a way that potentially improves the performance of PHM solutions. This is especially valuable in situations of data scarcity which are very usual in PHM, especially for failure prognostics. The proposed approach is tested based on the CMAPSS dataset, commonly employed for prognostics experiments and benchmarks. An AutoML approach from PHM literature is employed for automating the design of the prognostics solution. The empirical evaluation provides evidence that the proposed method can substantially improve the performance of PHM solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google