Apr, 2024

智能制造中基于拓扑机器学习的质量流建模的新方法

PDF
TL;DR该研究论文提出了一种基于拓扑分析的方法，用于智能制造中流质量评估的 5 级网络物理系统架构。该方法不仅可以实时监测和预测分析质量，还可以发现不同制造过程中质量特征与工艺参数之间的隐藏关系。通过应用于增材制造的案例研究，论文证明了该方法在保持高产品质量和适应产品质量变化方面的可行性。论文展示了如何有效地使用拓扑图可视化来通过流质量评估实时识别新的代表性数据。
topological analyticscyber-physical systemsstream-of-quality assessmentsmart manufacturingadditive manufacturing
发现论文，激发创造
  • 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

  • 衡量训练数据质量的拓扑方法

    本文提出了一种基于持续模块之间的同态的新拓扑方法，以衡量训练数据的质量，并解释为什么所选的训练数据集将导致性能不佳，从而提出使用小型训练数据集来加快训练。

    Jun, 2023

  • 基于稀疏注意力的数字孪生中生产过程优化的质量预测

    通过使用生产线的数学模型，基于质量预测模型的数字孪生模型在虚拟和实际生产线之间实现了流畅的集成，提高了过程质量和生产效率。

    May, 2024

  • 一种新的两级因果推断框架，用于道路车辆质量问题的诊断

    本文介绍了如何利用因果机器学习方法加快处理汽车行业中的车辆质量问题，通过实际数据集展示了提出的框架，并讨论了车辆质量应用领域的挑战。

    Mar, 2023

  • 基于图神经网络的增材制造现场异常检测

    本研究使用激光输入信息训练模型，预测名义激光熔化条件并计算异常得分以检测制造缺陷，显示异常检测方法是开发可靠的缺陷检测方法的重要工具。

    May, 2023

  • 在量子处理器上展示拓扑数据分析

    通过量子算法处理拓扑特征计数，从而实现数据分析的新视角。

    Jan, 2018

  • 金属增材制造缺陷检测本体

    本文介绍了如何将本体论应用于高级制造服务中，以解决数据集成、语义互操作性问题以及监控和决策任务，并提供了一个针对金属添加制造文献中已知的过程性缺陷的本体，并与现有的本体进行整合，从而扩展了本体在增材制造领域的建模能力。

    Sep, 2022

  • 预测性流程监控中机器学习不确定性的量化和解释：运筹学视角

    本文介绍了一个多阶段综合的机器学习方法，有效地将信息系统和人工智能相结合，以增强操作研究领域内的决策过程的效力。该方法能够解决现有解决方案的常见限制，例如忽略关键生产参数的数据驱动估计、仅生成点预测而不考虑模型不确定性以及缺乏关于不确定性来源的解释。我们的方法利用分位数回归森林生成间隔预测，同时采用了局部和全局版本的 SHapley 加性解释，用于研究预测过程监测问题。通过一个实际的生产计划案例研究，我们证明了所提出方法的实际适用性，强调了规范分析在完善决策程序方面的潜力。本文强调了解决这些挑战以充分利用广泛和丰富的数据资源来进行明智决策。

    Apr, 2023

  • 智能制造系统中的时间序列分类：最新机器学习算法的实验评估

    本研究旨在评估制造业和工业环境中时序分类任务的 SoTA ML 和 DL 算法的性能。实验表明，ResNet、DrCIF、InceptionTime 和 ARSENAL 是性能最好的算法，其在 22 个制造业时序分类数据集上的平均准确率超过 96.6％。这些发现突显了卷积内核在捕捉时间序列数据中的时序特征方面的鲁棒性、效率、可扩展性和有效性。此外，LSTM、BiLSTM 和 TS-LSTM 算法在利用循环神经网络结构捕捉时间序列数据中的特征方面也值得肯定。

    Oct, 2023

  • 智能制造过程中的拓扑数据分析 -- 现状综述

    拓扑数据分析（TDA）是一种使用拓扑学技术对复杂的多维数据进行分析的数学方法，在医学、材料科学、生物学等多个领域得到了广泛且成功的应用。本综述总结了 TDA 在工业制造和生产（工业 4.0 背景下）领域的最新研究现状，并以工业生产和制造的背景为基础进行了严谨且可复现的文献调查，对研究结果进行了聚类分析，重点介绍了 TDA 在该领域的关键优势和挑战，以及未来的潜力。最后，讨论了在工业及其应用领域中对 TDA 方法的低利用程度，并旨在推动该利润丰厚的应用领域的更多研究。

    Oct, 2023