Dec, 2023

一种用于数据驱动的电力电子系统异常检测的自校准边缘计算方法

PDF
TL;DR通过利用边缘计算方法，使用自主算法来优化存储具有更大预测误差的训练样本，解决电力电子变换器可靠性的问题，并在自动感知条件监测系统中进行了实证研究，结果显示与在线训练等等效模型相比，预测准确性和训练速度都有显著改善。
power electronic convertersdata-driven condition monitoringonline machine learningedge computingself-commissioning condition monitoring system
发现论文，激发创造
  • 分层边缘计算中的物联网数据自适应异常检测

    提出了一种基于层级边缘计算系统的自适应异常检测方法，使用三个不同复杂度的 DNN 模型分别对物联网设备、边缘服务器和云进行检测，并设计了一种基于上下文信息提取的自适应方案，以同时实现高检测准确性和低检测延迟。实验结果表明与数据离线到云端处理相比，能将检测延迟降低 84%，同时保持准确性。

    Jan, 2020

  • 高性能计算系统中的自编码器异常检测

    这篇文章提出了一种基于深度学习技术的自编码器，通过学习超级计算机节点的正常行为来检测异常条件，测试结果表明该方法能够在正常系统行为学习阶段后，以非常好的准确率（在 88％至 96％之间）检测出之前未曾见过的异常条件，因此具有广阔的应用前景。

    Nov, 2018

  • 利用边缘计算硬件控制混沌

    使用机器学习创建数字孪生提供了一种数据驱动的方法，可预测系统行为，而通过采用下一代储层计算的非线性控制器，此模型能够解决控制混沌系统到任意时变状态的难题，并能在嵌入式设备上进行评估，为向计算边缘部署高效的机器学习算法迈出了第一步。

    May, 2024

  • 基于数据挖掘的高级计量系统集成动态异常检测方法

    该研究论文介绍了一个建筑运营中的异常检测系统，包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法，利用动态阈值实现对异常数据的实时检测，并通过真实数据的实证研究验证其有效性，这对于建筑运营中的决策科学和视觉分析有重要意义。

    May, 2024

  • 加强注意力的自编码器用于建筑能耗异常检测

    研究聚焦于利用机器学习技术，使用新颖的关注机制来发现采集到的数据中建筑物能耗方面的异常情况，并进一步通过对真实数据集的建模来验证该方法的有效性。

    Mar, 2023

  • LightESD: 面向边缘计算的全自动轻量级异常检测框架

    提出了一种全自动、轻量级、基于统计学习的异常检测框架，该方法适用于边缘设备上学习，不需要边缘设备和服务器之间的数据传输，可以自动适应任何数据集，并在检测准确率、效率和资源消耗方面优于其他最先进的方法。

    May, 2023

  • 基于自编码器的 CMS 电磁量能器的在线数据质量监测异常检测系统

    通过使用半监督机器学习的实时自编码器异常检测系统，可以快速识别、定位和诊断可能影响物理数据质量的 CMS 电磁量能器的各种问题，同时利用时间依赖性演化和探测器响应的空间变化，最大程度提高异常检测性能，该系统在 2018 年和 2022 年的 LHC 碰撞数据中进行了验证，并且在 LHC Run 3 开始阶段将自编码器系统部署在 CMS 在线数据质量监测工作流中的初步结果表明其可以检测到现有系统所错过的问题。

    Sep, 2023

  • 基于动态阈值的卷积自编码器实时异常检测

    创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。

    Apr, 2024

  • 使用边缘计算和联邦学习进行电力负荷预测

    本文提出使用 Edge Computing 和联邦学习的方法，以增加训练深度学习模型所需的数据量和多样性，同时保护隐私，本文成功应用于家庭负荷预测。

    Jan, 2022

  • On-Device Learning: 基于神经网络的现场可训练边缘 AI

    本文介绍了一种基于神经网络的设备本地 (on-device) 学习方法，该方法能够在低端设备上提高边缘人工智能 (Edge AI) 应用的精确度并节省计算和通信成本，特别是在有噪声的环境下重训练 (retraining) 后可显著提高异物检测 (anomaly detection) 的准确性。

    Mar, 2022