[论文解读] Time Series Fault Classification for Wave Propagation Systems with Sparse Fault Data

Erik Jakobsson, Erik Frisk+2 more|KTH Publication Database DiVA (KTH Royal Institute of Technology)|Mar 30, 2022

Time Series Analysis and Forecasting被引用 4

一句话总结

本文提出一种基于相对特征的时间序列分类方法，用于波传播系统中故障数据稀疏的情况，利用每个独立系统自身的正常参考数据计算时间偏移与振幅差异。该方法通过聚焦于个体特异性基线的偏离，显著提升了现有最先进时间序列分类（TSC）方法的故障分类准确率，尤其在波传播效应和系统配置差异导致的高变异性条件下表现更优。

ABSTRACT

In this work Time Series Classification techniques are investigated, and especially their applicability in applications where there are significant differences between the individuals where data is collected, and the individuals where the classification is evaluated. Classification methods are applied to a fault classification case, where a key assumption is that data from a fault free reference case for each specific individual is available. For the investigated application, wave propagation cause almost chaotic changes of a measured pressure signal, and physical modeling is difficult. Direct application of One-Nearest-Neighbor Dynamic Time Warping, a common technique for this kind of problem, and other machine learning techniques are shown to fail for this case and new methods to improve the situation are presented. By using relative features describing the difference from the reference case rather than the absolute time series, improvements are made compared to state-of-the-art time series classification algorithms.

研究动机与目标

• 解决在存在显著系统级差异的未见个体上部署模型时，时间序列分类方法泛化能力差的挑战。
• 克服标准TSC方法（如动态时间规整化，DTW）在波传播系统中的局限性，因为信号波形对边界条件和硬件差异高度敏感。
• 利用每个部署系统中极少的正常（无故障）数据，提升分类鲁棒性，而无需在所有配置下收集大量故障数据。
• 证明相对特征（即相对于系统特异性参考的时移和振幅偏差）在个体变异性较高的情况下，优于绝对时间序列特征的故障检测性能。
• 探究在数据驱动模型因数据多样性不足而失效时，领域知识在特征工程中的作用。

提出的方法

• 从每个部署系统中采集一条正常（无故障）测量数据，作为该系统的特异性参考。
• 通过使用动态时间规整化（DTW）将测试信号与对应参考信号对齐后，计算相对特征 δ_ts（时移）和 δ_amp（振幅偏差）。
• 将这些相对特征输入分类器（如支持向量机SVM或k-最近邻k-NN），而非原始时间序列，以降低对个体系统差异的敏感性。
• 在相对特征上应用基于DTW的距离计算，以实现在具有不同波传播特性系统间的鲁棒分类。
• 设计一种框架，其中参考数据在系统投运时一次性采集并用于校准，同时配备机制以检测需重新采集参考数据的配置变更。
• 探索通过孪生网络直接从数据中学习相对特征表示的潜力，实现从参考数据端到端学习与故障相关的差异特征。

实验结果

研究问题

• RQ1 当部署系统与训练系统因个体差异而显著不同时，如何使时间序列分类方法依然有效？
• RQ2 能否利用目标系统自身的正常（无故障）数据来减轻个体差异在故障分类中的影响？
• RQ3 当应用于个体间变异性较高的波传播系统时，现有最先进时间序列分类方法的性能如何？
• RQ4 在数据多样性有限时，领域专业知识在提升机器学习性能方面起到何种作用？

主要发现

• 标准时间序列分类方法，包括使用动态时间规整化（DTW）的最近邻分类器，由于波传播引起的信号失真和配置变异性，无法在不同个体间实现良好泛化。
• 基于系统特异性正常数据导出的相对特征（δ_ts 和 δ_amp）相比使用原始时间序列或绝对特征，显著提升了分类性能。
• 相对特征方法减少了对在所有可能系统配置下收集大规模多样化故障数据集的需求，这在工业环境中通常不切实际。
• 该方法对软管长度、泵类型和钻井方向等关键边界条件引起的波传播差异具有鲁棒性，因其聚焦于相对于局部参考的偏差。
• 在使用相同分类器和数据的前提下，基于领域知识选择聚焦于时移和振幅偏差的特征，可带来显著的性能提升。
• 只要在系统投运时为每个系统采集一条正常测量数据，该方法即可实现故障分类系统的最小化再训练部署。