Feb, 2024

汽车制造中基于机器学习的层次能量特征用于操作可视化和诊断

PDF
TL;DR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。
manufacturing energy consumption dataprocess signatureshierarchical machine learningautomotiveenergy saving opportunities
发现论文，激发创造
  • 制造业短期瞬时能耗预测的深度学习

    本文研究了如何在短期内准确预测能源消耗，对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现，通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。

    Jul, 2022

  • 电动重型车辆辅助能源消耗预测

    准确的能源消耗预测对于优化电动商用重型车辆的运营至关重要，本文介绍了一种基于子集训练的回归模型，该模型在复杂问题中将其拆分为更简单的子问题，以实现更好的回归性能和解释性。

    Nov, 2023

  • 面向拓扑的端到端电力系统可靠性评估机器学习

    本研究探讨使用端到端机器学习直接预测可靠性指标，提出了基于输入特征的系统阻抗矩阵编码的机器学习流程，通过对输电线路的定期维护对特定拓扑变化的影响进行考虑，使用支持向量机和 Boosting Trees 进行训练和比较，实验证明了该方法在可靠性评估中的适用性。

    May, 2022

  • 基于能量的神经符号推理知识图谱模型

    本研究提出了一种基于能量的图嵌入算法来描述工业自动化系统，学习多个领域的知识，从而可以进行上下文感知预测和评估异常严重性，该模型可以应用于机器学习和神经形态计算等领域。

    Oct, 2021

  • 利用拓扑特征的深度学习

    本文提出了一种新颖的输入层技术，可以输入拓扑特征的签名到深度神经网络，并在训练过程中学习任务最优的表示方法，分类实验结果表明此技术的多功能性和优越性。

    Jul, 2017

  • 电器识别的表示学习：与传统机器学习的比较

    本研究通过采用深度学习算法，对非侵入式负载监测（NILM）处理链进行改进和简化，实现自动化特征提取和家电识别，取得优于传统机器学习方法的表现。

    Aug, 2022

  • 潜变量能量模型介绍：通向自主机器智能之路

    现有自动化系统存在重要限制需解决，Yann LeCun 提出未来自主智能系统的架构，结合基于能量的和潜变量模型的优势，形成分层联合嵌入预测架构（H-JEPA），以实现自动驾驶汽车、家庭机器人等复杂任务的全面解决方案。

    Jun, 2023

  • 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

  • 地下能源系统中受物理启发的机器学习应用的批判性评论

    机器学习在计算机视觉、自然语言处理和语音识别等各个领域中被证明是一种强大的工具，然而，结合深度学习和物理学原理的物理约束机器学习技术的应用在地下能源系统产业，特别是在石油和天然气行业中展现了巨大的潜力，能提供更准确可靠的资源管理和运营效率的预测。

    Aug, 2023

  • 探索医疗设施能源预测的人工智能方法：深入扩展系统综述

    医院能耗预测的机器学习和人工智能技术涉及多种数据输入，如入住情况和气象数据，部分研究对数据选择不够深入，时间动态、操作状态和预处理方法等方面仍有待研究，深度学习模型如人工神经网络显示出潜力但也带来了可解释性和计算需求方面的挑战，结果凸显了人工智能在优化医院能耗方面的巨大潜力，同时也强调了需要更全面细致的研究。未来研究的关键领域包括优化人工神经网络方法、新的优化和数据整合技术、将实时数据纳入智能能源管理系统以及增加对长期能源预测的关注。

    Nov, 2023