[論文レビュー] Super-Resolution Perception for Industrial Sensor Data

Jinjin Gu, Chen, Haoyu+4 more|arXiv (Cornell University)|Sep 6, 2018

Image and Signal Denoising Methods参考文献 36被引用数 5

ひとこと要約

本稿では、深層生成モデルを用いて低分解能測定値から高分解能産業用センサデータを再構築する新しい機械学習フレームワークであるスーパーリソリューションパーセプション（SRP）を提案する。SRPNetに認識ベースの損失および相対的 adversarial 損失を組み合わせることで、高周波数波形を効果的に回復させ、ハードウェアのアップグレードなしに家電機器の監視と状態推定を向上させることができる。

ABSTRACT

In this paper, we present the problem formulation and methodology framework of Super-Resolution Perception (SRP) on industrial sensor data. Industrial intelligence relies on high-quality industrial sensor data for system control, diagnosis, fault detection, identification, and monitoring. However, the provision of high-quality data may be expensive in some cases. In this paper, we propose a novel machine learning problem -- the SRP problem as reconstructing high-quality data from unsatisfactory sensor data in industrial systems. Advanced generative models are then proposed to solve the SRP problem. This technology makes it possible to empower existing industrial facilities without upgrading existing sensors or deploying additional sensors. We first mathematically formulate the SRP problem under the Maximum a Posteriori (MAP) estimation framework. A case study is then presented, which performs SRP on smart meter data. A network, namely SRPNet, is proposed to generate high-frequency load data from low-frequency data. We further employ a novel recognition-based loss and relativistic adversarial loss to constraint the reconstruction of waveforms explicitly. Experiments demonstrate that our SRP model can reconstruct high-frequency data effectively. Moreover, the reconstructed high-frequency data can lead to better appliance monitoring results without changing the monitoring appliances.

研究の動機と目的

• コストとレガシーシステムインfraの制約により、産業システムにおける高分解能センサデータの限界を解決すること。
• 既存の低分解能センサを用いて高周波数データを再構築することで、正確なシステム監視、故障検出、制御を可能にすること。
• 高価な高周波数メーターの導入なしに、状態推定および家電レベルのエネルギー監視（NILM）を向上させること。
• 欠落または損傷したデータを回復させ、産業インテリジェンスに向けたデータ品質を向上させる機械学習フレームワークの開発。

提案手法

• 最大事後確率（MAP）推定フレームワーク内でSRP問題を定式化し、低分解能センサデータから高分解能信号を再構築する。
• 低周波数測定値から高周波数負荷波形を生成する目的に特化した深層ニューラルネットワークアーキテクチャ、SRPNetを提案する。
• 微細な時間的パターンを保持し、再構築の忠実度を向上させるために認識ベースの損失を導入する。
• 実際の信号と生成された信号を比較することで、再構築波形の現実性と一貫性を向上させるために相対的 adversarial 損失を採用する。
• 再構築損失と adversarial 損失の組み合わせを用いて、忠実度と知覚的品質のバランスを取ってモデルを訓練する。
• スマートメーターのデータを用いて手法を検証し、高周波数データを教師データとし、低周波数データを入力として再構築を実行する。

実験結果

リサーチクエスチョン

• RQ1 ハードウェアのアップグレードなしに、深層学習が低分解能測定値から高分解能産業用センサ信号を効果的に再構築できるか？
• RQ2 再構築された高分解能データは、実際の高周波数データと比較して、家電機器監視（NILM）などの下流タスクにどの程度寄与できるか？
• RQ3 提案された認識ベースの損失および相対的 adversarial 損失が、波形再構築品質をどの程度向上させるか？
• RQ4 高分解能データが不足または高価な安全対象産業システムにおいて、SRPが状態推定をどの程度向上できるか？
• RQ5 SRPは産業センサストリームにおける欠落または損傷したデータの回復にどの程度効果を発揮するか？

主な発見

• SRPモデルは、低周波数スマートメーターのデータから高周波数負荷波形を高い忠実度で再構築することに成功した。
• SRPで再構築されたデータは、単独で低周波数データで訓練されたモデルと比較して、家電機器監視タスクにおける精度が向上した。
• 検証された設定の中で、$ f_l = 100 $ Hz および $ eta = 10 $ の組み合わせが、家電認識精度において最も優れた性能を示した。
• 認識ベースの損失および相対的 adversarial 損失の使用により、再構築波形の知覚的品質と時間的一貫性が顕著に向上した。
• SRPは、高周波数メーターを用いた場合と同等またはそれに近い結果を、低周波数センサのみを用いてNILMタスクで達成できることを示した。
• 本手法は、センサの交換なしに、故障検出、状態推定、エネルギー最適化などの実用的産業応用を支援できる。