基于数据的多模型推理传感器设计
本研究提出了基于人工神经网络的框架,能够有效利用大量传感器信号信息来准确预测汽车零部件的健康状态,并引入数据增强方法以消除噪声的影响。该框架已在 Robert Bosch GmbH 的实际应用中得到验证。
Apr, 2018
该文介绍了一种新颖的成本敏感变压器模型,该模型通过融合混合型采样器和基于回归的填充器,以及经过严格测试的方法,从而在工业环境中预测故障方面表现出比现有方法更好的性能,并分析了所提出方法中不同组成部分的贡献。研究结果凸显了该方法在解决工业设置中故障预测的独特挑战方面的潜力,从而提高了工业操作的可靠性和效率。
Jan, 2024
本文提出了一种将主动学习方法和半监督学习结合的数据驱动软测量方法,通过正交自编码器学习低维特征,以预测化工过程中难以测量的过程变量,实验证明,在流式数据下,该方法可以选择最具信息量的数据点,与传统离线环境相比获得更好的预测表现。
Dec, 2022
本文提出了一种新的基于观察者的方法来检测和隔离工业系统中的故障传感器,其中考虑了两种类型的传感器故障,即完全故障和传感器劣化。这种基于学习的 Luenberger 观察器可以准确估计系统状态,从而通过残差产生检测传感器故障,并且能够在测量噪声和系统不确定性存在的情况下保持稳健,在 Kuramoto 振荡器网络中进行数值模拟以验证该方法的有效性。
Apr, 2023
本研究分析了制造测试台的四个传感器数据集,评估了若干传统和基于机器学习的时间序列预测模型的性能,并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类,因此为实现预测维护铺平了道路。
Jun, 2022
本文介绍使用基于化学工程知识和强化学习算法的动态模拟器进行预测并作为软传感器来估计化工厂内部状态变量的方法,并探讨了使用这种软传感器进行化工厂操作和控制的前景及其所需预测模型的方法。
Aug, 2022
本研究采用降阶模型学习来有效建模过程工程中的动态系统,以二氧化碳甲烷化反应作为应用示例,利用操作推断技术构建降阶模型,证明其能够提供准确且简化的替代解决方案,这标志着在实现快速和可靠的数字双生体系结构方面的重要里程碑。
Feb, 2024
本文在贝叶斯框架下,回顾和评估标准和最先进的统计模型,并在合成和真实数据集上进行测试,以用于校准 Lennard-Jones 参数的 Chapman-Enskog 模型中温度依赖粘度的校准。
Nov, 2016