本文研究了利用机器学习分类红外时间序列数据以预测金属三维打印过程中的过程结果，并发现动态时间规整是一种适合解决这类数据的距离度量方法。

Oct, 2020

通过使用计算模型生成数据进行机器学习和深度学习模型训练，本文比较了大范围的机器学习和深度学习方法在不同炉环境下的温度预测性能，DL 方法在推理时间和模型性能方面具有综合平衡，在增强 DL 模型的外域概括能力方面，提出了一种基于物理知识的神经网络（PINN），该设置适用于任何标准的 ML 回归模型，以实现基础工业向工业 4.0 的过渡。

Aug, 2023

介绍了一种将自组织映射和 K 均值聚类相结合的新方法来有效聚类月度能源消耗模式，通过该方法可以增强难以找到模式的数据集的聚类结果的准确性和可解释性。实验证明了该方法在聚类任务中的有效性。

Nov, 2023

通过使用智能电表数据推导的负荷曲线，在实际案例研究中，我们提出了一种新颖的基于机器学习的框架，以实现通过适用于伦敦近 5000 个家庭的数据从而获得最佳负荷剖析。我们应用了四种广泛使用的聚类算法：K-means、K-medoids、层次凝聚聚类和基于密度的空间聚类。通过经验分析和多个评估指标来评估这些算法，并将问题重新定义为概率分类问题，并借助可解释的 AI（xAI）来提高解决方案的可解释性。根据聚类算法的分析，此案例的最佳聚类数为七个，但是我们的方法表明其中两个聚类，约占数据集的 10％，存在显着的内部差异，因此我们将其进一步划分为总共九个聚类。我们的解决方案具有可扩展性和多功能性，使其成为希望为用户细分以创建更有针对性的需求响应计划的电力公用事业公司的理想选择。

Oct, 2023

机器学习在金属增材制造中的应用研究表明，利用熔池特征进行实时缺陷预测是解决普及金属增材制造技术的关键障碍之一，本研究实践了基于新颖时空模型的深度学习，用于分类来自不同材料、系统和应用的熔池图像序列，并发现只有 Kinetics400 预训练的 SlowFast 双流网络能够在数据扰动下具备鲁棒的泛化能力。

Aug, 2023

本文引入了一个全面的机器学习框架，利用物理感知型的 MAM 特征化、多功能机器学习模型和评估指标，预测熔池缺陷和几何形状，为熔池控制和工艺优化提供了基础。此外，还发现了基于数据驱动的显式模型，用于从工艺参数和材料性质估算熔池几何形状。

Jan, 2022

通过矩阵归一化，对四川 46 个关键行业 2000-2019 年的能源消耗数据进行预处理，使用 DBSCAN 聚类识别了 16 个特征类别，应用惩罚回归模型进行了能源数据复杂性的过拟合控制、高维数据处理和特征选择，并找出了二氧化碳排放量最高的第二类煤炭产业集群，也发现了与汽油和焦炭相关的排放显著。基于这一研究结果，提出了减排建议包括清洁煤技术、交通管理、钢铁中的煤电替代和行业标准化。总结来说，该研究通过 DBSCAN 和惩罚回归模型等算法确定了行业集群，评估了排放驱动因素，并提出了科学减排策略，以更好地为决策提供支持。

Sep, 2023

采用聚类技术实现需求响应节能项目，并结合预测、聚类和价格策略引擎为参与项目的生产者提供个性化的节约建议和定价策略。

Mar, 2023

制造业能源消耗数据中包含了操作可见性和诊断所需的重要过程特征。本研究通过引入一种层次化机器学习方法，从不同时间尺度（每周和每日）的涂装厂用电数据中识别汽车生产过程特征。我们使用多层感知机（MLP）、卷积神经网络（CNN）以及主成分分析（PCA）结合逻辑回归（LR）进行分析。验证了所开发算法在操作可见性和能源节约机会识别方面的实用性。

Feb, 2024

本文介绍了如何使用能力问题来规范专家知识和应用需求，以在住宅能源消费领域对聚类应用进行上下文特定评估。

Jun, 2020