开源代码推荐|面向大模型时代用于生成工业时序数据的时序增强条件扩散模型
工业多变量时间序列（Industrial multivariate time series , MTS）是人们了解工业领域机器状态的重要视角。但由于数据采集难度和隐私的顾虑，用于构建智能维修研究和智能大模型的可用数据远远不够。因此，工业时序数据的生成具有重要意义。现有的研究多采用生成式对抗网络（Generative Adversarial Networks，GANs）来生成MTS数据。然而，由于生成器和鉴别器的联合训练，会使神经网络的训练过程不稳定。本文提出了一个基于时序增强的条件自适应扩散模型Diff-MTS，用于生成MTS。旨在更好地处理MTS数据复杂的时序依赖性和动态性。具体地说，提出了一种条件自适应最大均值差异（Conditional Adaptive -Maximum Mean Discrepancy, Ada-MMD）方法用于MTS数据生成。该方法提高了扩散模型的条件一致性。此外，建立了时间分解重构UNet (Temporal Decomposition Reconstruction, UNet, TDR-UNet)，以捕获复杂的时序模式，进一步提高生成时序数据的质量。在C-MAPSS和FEMTO数据集上的实验表明，与基于GAN的方法相比，Diff-MTS方法在多样性、保真度和实用性方面都有明显的提高。
