Data Augmentation of Multivariate Sensor Time Series using Autoregressive Models and Application to Failure Prognostics
用自回归模型增强多变量传感器时间序列：故障预后应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究非平稳多变量时间序列和时变自回归过程，分类依据是方法而非宏观应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用自回归模型增强多变量传感器时间序列：故障预后应用
- 研究问题
- 在故障预后训练样本稀缺时，如何从非平稳多变量传感器序列提取信息并生成合成样本，改善预后模型表现？
- 方法与思路
- 作者扩展基于时变自回归过程的数据增强方法，在 CMAPSS 数据集上结合已有 AutoML 预后方案开展评估。
- 材料陈述的贡献
- 摘要称，实证评估支持所提数据增强方法能够显著改善预后与健康管理方案的表现，但未报告具体指标与幅度。
- 阅读关注点
- 应核对合成序列如何保留跨变量依赖与非平稳特征，以及训练测试划分、增强基准和数据泄漏的防范措施。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明增强算法细节、性能数值和跨数据集适用性。
原文摘要
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.