该文介绍了一种新颖的成本敏感变压器模型，该模型通过融合混合型采样器和基于回归的填充器，以及经过严格测试的方法，从而在工业环境中预测故障方面表现出比现有方法更好的性能，并分析了所提出方法中不同组成部分的贡献。研究结果凸显了该方法在解决工业设置中故障预测的独特挑战方面的潜力，从而提高了工业操作的可靠性和效率。

Jan, 2024

本研究分析了制造测试台的四个传感器数据集，评估了若干传统和基于机器学习的时间序列预测模型的性能，并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类，因此为实现预测维护铺平了道路。

Jun, 2022

稀有事件预测是使用机器学习和数据分析识别和预测低概率事件。由于数据分布不均衡，普通事件的频率远远超过稀有事件，需要在机器学习流程中的每个步骤中使用专门的方法，从数据处理到算法到评估协议。该论文全面综述了稀有事件预测的当前方法在四个方面：稀有事件数据，数据处理，算法方法和评估方法。它旨在找出当前文献中的差距并突出预测稀有事件的挑战。它还提出了潜在的研究方向，可帮助指导从业人员和研究人员。

Sep, 2023

在当今技术驱动的时代，预防性维护和高级诊断的必要性不仅限于航空领域，还包括对旋转和移动机器中损坏、故障和操作缺陷的识别。实施这些服务不仅可以降低维护成本，还可以延长机器的使用寿命，确保更高的运营效率。此外，它还可以预防潜在事故或灾难事件。人工智能的出现已经在各个行业中彻底改变了维护工作方式，实现了对机器故障的更准确、更高效的预测和分析，从而节约时间和资源。我们提出的研究旨在深入研究各种机器学习分类技术，包括支持向量机（SVM）、随机森林、逻辑回归和基于卷积神经网络 LSTM 的方法，用于预测和分析机器性能。SVM 根据数据在多维空间中的位置将其分类到不同类别，而随机森林采用集成学习来创建多个决策树进行分类。逻辑回归使用输入数据来预测二元结果的概率。本研究的主要目标是评估这些算法在预测和分析机器性能方面的性能，考虑准确性、精确度、召回率和 F1 分数等因素。研究结果将帮助维护专家选择最适合的机器学习算法来有效预测和分析机器性能。

Mar, 2024

本文介绍了一种基于扩散模型的工业 4.0 实时异常预测方法，并采用神经符号方法将工业本体论集成到模型中，为智能制造添加形式化知识。最后，提出了一种简单而有效的方式来通过随机傅里叶特征将扩散模型压缩到一个嵌入式系统中，以直接集成到制造过程中。

Jul, 2023

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

通过深度强化学习和自监督学习的方法成功地实现了对半导体制造设施进行更高效调度的功能，提出了一种适应性调度方法来处理复杂连续随机动态半导体制造模型，与传统调度策略相比，我们的方法可以显著减少订单的延迟和完成时间，从而更好地分配半导体制造流程的资源。

Feb, 2023

本研究针对制造领域中先进节点技术中扫描电子显微镜图像的缺陷检测问题，提出了一个名为 “SEMI-DiffusionInst” 的新的半导体缺陷检测框架，并证明了该方法可以准确地检测并划分缺陷图案

Jul, 2023

通过使用朴素贝叶斯和拉普拉斯估计，本文提出了一种稳健的预测模型来识别和消除真实生活中手机数据中的噪声实例，以提高模型的预测准确性。实验结果显示该模型在个人手机用户的通话日志等真实生活中的手机数据上具有很好的效果和精度。

Feb, 2019

提出了一种基于极值分布和变分去解耦的方法，用于在高度不平衡的分类问题中学习罕见事件和提高临床决策支持系统的性能。该方法在合成研究和实际临床数据集上具有显著的性能优势，包括 COVID-19 毒性预测。

Sep, 2020