Diff-MTS: Temporal-Augmented Conditional Diffusion-based AIGC for Industrial Time Series Towards the Large Model Era

工业多元时间序列（MTS）是人们了解机器状态的关键视角。然而，由于数据收集困难和隐私问题，用于构建工业智能和工业大模型的可用数据远远不足。因此，工业时间序列数据生成非常重要。现有的研究通常应用生成对抗网络（GAN）生成MTS。然而，由于生成器和鉴别器的联合训练，GAN的训练过程不稳定。本文提出了一种称为Diff-MTS的时间增强条件自适应扩散模型，用于MTS生成。它旨在更好地处理MTS数据的复杂时间依赖性和动态性。具体而言，提出了一种条件自适应最大均值差异（Ada-MMD）方法，用于受控MTS生成，不需要分类器来控制生成。它提高了扩散模型的条件一致性。此外，建立了一个时间分解重构UNet（TDR-UNet）来捕获复杂的时间模式，并进一步提高合成时间序列的质量。在C-MAPSS和FEMTO数据集上的综合实验表明，与基于GAN的方法相比，所提出的Diff-MTS在多样性、保真度和实用性方面表现显著更好。这些结果表明，Diff-MTS有助于生成工业数据，为智能维护和工业大模型的构建做出贡献。

解决问题：论文提出了一种用于生成工业多元时间序列数据的方法，以解决数据收集困难和隐私问题导致的数据不足的问题。

关键思路：论文提出了一种名为Diff-MTS的方法，使用条件自适应扩散模型和时间分解重构UNet来生成多元时间序列数据。这种方法相比现有的基于生成对抗网络的方法更能处理复杂的时间依赖关系和动态。

其他亮点：论文的实验使用了C-MAPSS和FEMTO数据集，并与基于GAN的方法进行了比较。结果表明，Diff-MTS在多样性、保真度和实用性方面都表现得更好。论文的方法有望为智能维护和工业大型模型的构建提供帮助。

相关研究：最近的相关研究包括使用GAN生成多元时间序列数据的方法，如SeqGAN和CGAN。