工业多速率时间序列建模的分层多尺度匹配掩码自编码器研究

本文提出了一种创新的自监督学习框架H3MAE（Hierarchical Multi-scale Matched Masked Autoencoder），针对工业多速率时间序列（MRTS）数据中存在的多尺度动态分布阶梯化、跨速率尺度一致性依赖及标签稀缺等挑战，设计了尺度匹配输入融合（SMIF）机制和编码器-填补器分层结构，通过潜在空间掩码填补实现多尺度表征学习。实验证明该方法在三个基准数据集和两个工业任务中显著提升MRTS建模性能。

　　

亮点

• 提出首个针对MRTS建模的多尺度自监督学习框架H³MAE

• 设计尺度匹配输入融合（SMIF）机制捕获跨速率尺度一致性依赖

• 开发分层编码器-填补器结构实现潜在空间掩码填补与特征对齐

引言

工业过程时间序列数据常因传感器硬件限制产生多速率采样问题（MRTS）。传统方法通过升/降采样会引入噪声或信息损失，而现有状态空间模型依赖马尔可夫假设，自监督方法则存在跨速率信息流阻断缺陷。本研究首次发现MRTS动态分布呈现阶梯化特征：低频变量仅含粗粒度模式，高频变量兼具粗细粒度，且跨速率变量在共享时间尺度上存在对齐（scale-matching）现象。

方法创新

H³MAE框架包含两大核心：

1. 1.

   SMIF机制：每层对应特定尺度，融合原始数据尺度匹配部分与前层对齐输出，实现跨速率信息整合

2. 2.

   编码器-填补器：通过动量编码器在潜在空间填补掩码位置，既学习当前尺度表征，又生成满足下层输入的时空对齐特征

实验验证

在三个基准数据集和两个工业任务（含实验室离线变量与在线传感器数据）中，H³MAE相比传统方法：

• 最高提升23.6%的预测精度

• 有效缓解标签稀缺问题

• 代码已开源（GitHub链接）

结论

本框架通过分层多尺度表征学习和跨速率对齐机制，为工业MRTS建模提供了新范式，未来可扩展至医疗多模态时序数据分析等领域。