DLGM! 一种新的层次模型用于危害分类
本文提出了一种新的深度学习模型 DLF 通过多重分形来分类 Hazard Event,利用 BERT 将事件向量化,提出了一种新的多重分形分析方法,最后使用分形序列进行分类。实验结果表明该模型在工业安全领域的严重程度、可能性和风险方面具有更好的分类性能。
Sep, 2022
本文提出了一种新的基于分层全局视图引导的序列表示学习框架,其中将全局图嵌入模块与和谐 $eta$-attention 模块相结合,旨在进行有效的风险预测,实现了与其他基线方法相比具有竞争力的预测性能。
Nov, 2022
本文提出 DGHL 一种新的基于生成模型的多元时间序列异常检测方法,通过后验抽样和交替反向传播训练,利用一种自上而下的卷积网络将一个新的分层潜在空间映射到时间序列窗口,与当前的主流模型相比,算法具有更快的训练速度和更强的鲁棒性。
Feb, 2022
本研究提出了一种异构多任务学习图神经网络(MTL-GNN),用于检测、定位和分类故障,同时提供故障电阻和电流的估计。使用图神经网络(GNN)学习配电系统的拓扑表示和特征学习,以及一种基于 GNN 的新颖可解释性方法以确定配电系统中的关键节点,从而实现知情稀疏测量。数值测试验证了该模型在所有任务上的性能。
Sep, 2023
从粒计算的角度构建了一个新颖的多级连续三态决策组协作决策方法,针对复杂、不确定性的群体决策问题进行了分析和改进,提出了一种高效的信息融合方法,并定义了决策层次的信息提取 / 汇总的概念,利用邻域理论、比较关系和遗憾理论重建了条件概率和相对损失函数的计算,进一步提出了基于连续三态决策的 DHHFLTS 的粒结构以提高决策效率,并给出了 S3W-GDM 的算法,通过示例诊断和与其他方法的比较和敏感性分析来验证了所提方法的效率和合理性。
Jun, 2024
气候风险和复合灾害的分布对于了解气候风险和指导适应政策至关重要。本研究使用生成对抗网络(GANs)模拟了孟加拉湾的极值风速、显著波高和总降水量,结合传统的极值理论进行尾部推断,为气候风险评估和灾害应对提供了有效的方法。
Nov, 2023
本文提出了一种基于深度神经网络的伽马脆弱性模型 (DNN-FM),通过最大化全新的 h-likelihood,提供固定参数的最大似然估计值和随机脆弱性的最佳无偏预测值。本文实验表明,所提出的方法提高了现有方法的预测性能。同时,实际数据分析表明,包含个体特异性脆弱性有助于改善基于 DNN 的 Cox 模型(DNN-Cox)的预测。
Jul, 2023
本文提出了一种基于神经过程和图卷积网络的深度转移学习方法(GTNP),通过特征转移策略在高维空间中消除源领域和目标领域之间的数据分布差异,全局和局部潜在变量的联合建模以及稀疏采样策略减少目标领域中观测数据的需求,多尺度不确定性分析通过全局和局部潜在变量的分布特征获得,从而使 GTNP 能够提供反映方法复杂性和任务难度的定量值,同时允许对每个受到噪声和偏差影响的样本进行不确定性建模(故障检测结果的置信度),在 3 个智能故障检测任务中,验证了所提出方法相较于其他基于深度转移学习的方法具有更好的检测性能。
Feb, 2024
文章系统阐述了大规模基础模型(LSF-Models)的关键组成部分和最新发展,回答了如何构建适用于 PHM 任务的 LSF-Model 以及这一研究范式的挑战和未来发展路线图。
May, 2023
现代故障分类系统中的一个重要特征是在面对以前未见过的故障类型时能够警示系统。本文考虑了基于深度神经网络的故障分类器的未知故障检测能力。具体而言,我们提出了一种方法,即在可用的情况下,使用有关故障分类法(fault taxonomy)的标签来提高未知故障检测性能,而不损失模型性能。为实现这一目的,我们提出利用软标签技术来改进先进的深度新颖故障检测技术,并提出用于在线新颖故障检测的层次一致的检测统计量。最后,我们在热轧钢生产过程中的检测图像中展示了对新颖故障检测的提高性能,结果在多个场景和基准检测方法中得到了良好的复制。
Mar, 2024