[논문 리뷰] Super-Resolution Perception for Industrial Sensor Data

Jinjin Gu, Chen, Haoyu외 4명|arXiv (Cornell University)|2018. 09. 06.

Image and Signal Denoising Methods참고 문헌 36인용 수 5

한 줄 요약

이 논문은 초해상도 산업 센서 데이터를 저해상도 측정값에서 딥 생성 모델을 사용하여 복원하는 새로운 기계학습 프레임워크인 슈퍼해상도 인지(SRP)를 제안한다. SRPNet을 인식 기반 손실과 상대적 적대적 손실과 함께 활용함으로써, 고주파 파형을 효과적으로 복원하여 하드웨어 업그레이드 없이도 설비 모니터링 및 상태 추정을 향상시킬 수 있다.

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.

연구 동기 및 목표

• 비용과 노후된 인프라로 인해 산업 시스템에서 고해상도 센서 데이터가 제한되는 문제를 해결하기 위해.
• 기존의 저해상도 센서를 활용하여 고주파 데이터를 복원하여 정밀한 시스템 모니터링, 고장 탐지 및 제어를 가능하게 하기 위해.
• 고비용 고주파 미터를 도입하지 않고도 상태 추정 및 애플라이언스 수준의 에너지 모니터링(NILM)을 향상시키기 위해.
• 결측되거나 손상된 데이터를 복구하고 산업 지능을 위한 데이터 품질을 향상시키는 기계학습 프레임워크를 개발하기 위해.

제안 방법

• 저해상도 센서 데이터로부터 고해상도 신호를 복원하기 위해 최대사후확률(MAP) 추정 프레임워크 내에서 SRP 문제를 수립한다.
• 저주파 측정값에서 고주파 부하 파형을 생성하기 위해 설계된 딥 신경망 아키텍처인 SRPNet을 제안한다.
• 세밀한 시간 패턴을 유지하고 복원 정확도를 향상시키기 위해 인식 기반 손실을 도입한다.
• 실제 신호와 생성된 신호를 비교하여 복원된 파형의 현실성과 일관성을 향상시키기 위해 상대적 적대적 손실을 활용한다.
• 정확도와 시각적 품질을 균형 잡기 위해 복원 손실과 적대적 손실의 조합을 사용해 모델을 훈련시킨다.
• 고주파 데이터를 정답으로 삼고 저주파 데이터를 입력으로 사용하여 복원을 수행하기 위해 스마트 미터 데이터를 사용해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 딥 러닝을 사용해 하드웨어 업그레이드 없이 저해상도 측정값에서 고해상도 산업 센서 신호를 효과적으로 복원할 수 있는가?
• RQ2 복원된 고해상도 데이터가 실제 고주파 데이터와 비교해 설비 모니터링(NILM)과 같은 후속 작업을 얼마나 잘 지원하는가?
• RQ3 제안된 인식 기반 손실과 상대적 적대적 손실이 파형 복원 품질을 얼마나 향상시키는가?
• RQ4 고해상도 데이터가 부족하거나 고비용인 안전이 중요한 산업 시스템에서 SRP가 상태 추정 성능을 향상시킬 수 있는가?
• RQ5 SRP는 산업 센서 스트림에서 결측되거나 손상된 데이터를 복구하는 데 얼마나 효과적인가?

주요 결과

• SRP 모델은 저주파 스마트 미터 데이터에서 고주파 부하 파형을 매우 높은 정확도로 복원한다.
• SRP에서 복원된 데이터는 단지 저주파 데이터로 훈련된 모델보다 설비 모니터링 작업에서 더 높은 정확도를 달성한다.
• 시험된 설정들 중에서 $ f_l = 100 $ Hz 및 $ eta = 10 $ 조합이 설비 인식 정확도에서 최고의 성능을 보였다.
• 인식 기반 손실과 상대적 적대적 손실의 사용은 복원된 파형의 시각적 품질과 시간적 일관성을 크게 향상시켰다.
• SRP를 사용하면 고주파 미터를 사용한 결과와 유사하거나 이를 도달하는 성능을 낼 수 있는 NILM 작업을 저주파 센서만으로 수행할 수 있다.
• SRP는 센서 교체 없이도 고장 탐지, 상태 추정 및 에너지 최적화와 같은 실용적인 산업 응용을 지원한다.