本文介绍了一种基于脉动成分的支持向量机方法，用于无刷直流电机的速度和位置估计，该方法通过测量电流并检测该信号中的脉冲来估计电机速度，通过计算所有检测到的脉冲来估计位置，该方法较其他无刷传感器方法具有检测幽灵脉冲和丢弃虚假脉冲的主要优势。在两台分式马力无刷直流电机上进行的测试表明，该方法可以在速度恒定或动态变化的广泛速度和情况下正确工作。

Feb, 2024

通过物理信息神经网络（PINNs）整合物理规律的先验知识，本研究提出了一种新颖的方法用于加速电力系统状态估计，以监测电力系统的运行情况。该方法在保持高准确性的同时，显著降低了状态估计的计算复杂性，实验证明其准确度提高了 11％，结果的标准偏差降低了 75％，收敛速度提高了 30％。

Oct, 2023

本文利用机器学习方法提高基于 MEMS 传感器的惯性导航系统的精度，并基于实验数据展示了算法的优越性。

Dec, 2022

使用深度神经网络和低成本六轴惯性测量单元，估算城市车辆行驶速度，并提出了简化的辅助航位推算方案，该方法具有较高的精度和位置测量能力。

May, 2022

本文提出一种新颖的车辆定位方法，其中不依赖于全球卫星导航系统，而是通过学习来自惯性测量单元（IMU）传感器的加速度计和陀螺仪测量值的道路特征标志，分别基于卷积神经网络和集成随机森林的手工特征方法学习道路特征，并提出一种实时推导车辆位置的算法。

Mar, 2023

本文利用频率调制连续波（FMCW）雷达作为一种非破坏性感知模式来增强制造质量保障，并开发了一种新的异常检测管道，它能在去除正常数据先验信息后专注于异常特征的属性

Jun, 2023

本研究利用物理信息神经网络（PINNs）的集成模型（E-PINNs）来解决具有缺失参数和摆动方程中的不确定性传播的电力系统的暂态稳定性挑战，并在提高准确性和降低计算负载方面估计关键参数的角度和惯性系数。E-PINNs 利用摆动方程的基本物理原理提供稳健的解决方案，不仅促进了高效的参数估计，还量化了不确定性，为系统行为提供了概率洞察。通过对一台和两台电力系统的分析，证明了 E-PINNs 的有效性，突出了该模型处理参数变异性和数据稀缺性的能力。该研究推动了机器学习在电力系统稳定性方面的应用，为可靠且计算效率高的暂态稳定性分析铺平了道路。

Nov, 2023

通过物联网设备获取工业设备退化现象的数据，并设计数据驱动模型进行异常检测，为建立预测性维护策略提供初步步骤。在研究中，通过组合低计算成本的预处理技术和机器学习模型，展示了一个用于泵、压缩机、风扇和其他工业机器中感应电机的异常检测系统。利用快速傅里叶变换 (FFT)、小波变换 (WT) 和分箱等预处理技术从原始数据中提取特征，通过多目标优化和分析选择表现最佳的模型，并验证了终端到终端的解决方案。

Oct, 2023

基于自动编码器的异常检测范式中，依靠具有实时学习能力的边缘设备实现自动编码器是一项极富挑战性的任务。通过设计具有低分辨率的非挥发性存储器型突触的自动编码器，并采用一种有效的量化神经网络学习算法，我们证明这些限制可以得到解决。我们提出了一种带有工程化凹槽的铁磁记录道，以磁域壁作为自动编码器的突触，其中通过自旋轨道涡流脉冲来操作有限状态（5 状态）的突触权重。我们在 NSL-KDD 数据集上评估了所提出的自动编码器模型对异常检测的性能。通过对突触进行有限分辨率和 DW 器件随机性感知的训练，我们得到了与拥有浮点精度权重的自动编码器相当的异常检测性能。虽然量化状态的有限数量和纳米尺度器件中固有的随机性对性能有负面影响，但我们的面向硬件的训练算法被证明可以利用这些不完善的器件特性，从而提高异常检测的准确性（90.98%），相较于使用浮点训练权重的准确性。此外，我们的 DW-based 方法在训练过程中相较于浮点训练方法重要减少了至少三个数量级的权重更新，意味着我们的方法可以大大节省能量。这项工作有望推动非挥发多状态突触型处理器的极高能效、能够在边缘上对无监督数据进行实时训练和推断的发展。

Sep, 2023

利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据，提出了一种新的机械故障诊断方法，通过少量标记样本和大量未标记数据的有效组合，实现了比现有方法更出色的性能。

Nov, 2023