[论文解读] 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 5

一句话总结

本文提出了一种名为超分辨率感知（SRP）的新机器学习框架，利用深度生成模型从低分辨率测量值中重建高分辨率工业传感器数据。通过结合基于识别的损失和相对对抗性损失的SRPNet，该方法有效恢复了高频波形，实现了无需硬件升级的改进设备监控与状态估计。

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.

研究动机与目标

• 解决由于成本和老旧基础设施导致工业系统中高分辨率传感器数据有限的挑战。
• 通过从现有低分辨率传感器重建高频数据，实现精确的系统监控、故障检测与控制。
• 在不部署高成本高频电表的情况下，提升状态估计与设备级能耗监控（NILM）能力。
• 开发一种机器学习框架，以恢复缺失或损坏的数据并提升工业智能的数据质量。

提出的方法

• 在最大后验概率（MAP）估计框架内构建SRP问题，以从低分辨率传感器数据中重建高分辨率信号。
• 提出SRPNet，一种深度神经网络架构，旨在从低频测量值生成高频负载波形。
• 引入基于识别的损失，以保留精细的时间模式并提升重建保真度。
• 采用相对对抗性损失，通过对比真实信号与生成信号，提升重建波形的真实感与一致性。
• 使用重建损失与对抗性损失的组合进行模型训练，以平衡保真度与感知质量。
• 在智能电表数据上验证该方法，以高频数据作为真实标签，低频数据作为重建输入。

实验结果

研究问题

• RQ1 深度学习能否在无需硬件升级的情况下，有效从低分辨率测量值中重建高分辨率工业传感器信号？
• RQ2 与真实高频数据相比，重建的高分辨率数据在设备监控（NILM）等下游任务中的表现如何？
• RQ3 所提出的基于识别的损失与相对对抗性损失在多大程度上提升了波形重建质量？
• RQ4 SRP能否在高分辨率数据稀缺或昂贵的安全关键工业系统中提升状态估计能力？
• RQ5 SRP在恢复工业传感器流中缺失或损坏数据方面的表现如何？

主要发现

• SRP模型能够以高保真度从低频智能电表数据中重建高频负载波形。
• 与仅使用低频数据训练的模型相比，SRP重建的数据在设备监控任务中实现了更高的准确率。
• 在所有测试配置中，$ f_l = 100 $ Hz 与 $ eta = 10 $ 的设置在设备识别准确率方面表现最佳。
• 基于识别的损失与相对对抗性损失的结合显著提升了重建波形的感知质量与时间一致性。
• SRP仅使用低频传感器即可在NILM任务中实现更优性能，其结果可匹配或接近使用高频电表获得的结果。
• 该方法支持实际工业应用，如故障检测、状态估计与能效优化，且无需更换传感器。