Jun, 2024

基于因果关系的序列分割技术在增强多相工业过程数据分析和软测量中的应用

HTML
PDF
TL;DR工业大数据建模中的动态特性带来了重大挑战。本文介绍了一种因果驱动的序列分割（CDSS）模型，该模型通过识别变量之间的因果关系的局部动态特性和阶段转变时因果关系的突变，将序列分割成不同的阶段，并利用建立的时态因果图和时态因果图卷积网络（TC-GCN）模型对每个阶段进行软传感建模，实现了对稳定和不稳定多相序列的优秀分割和预测能力的验证。
发现论文，激发创造
  • CIPCaD-Bench: 用于因果发现方法基准测试的连续工业过程数据集

    为了推动数据驱动的因果关系探测（CD），这项工作引入了两个新的连续制造过程的公共数据集，并提出了一种基于不同度量标准的基准测试程序，以评估广泛的CD算法，从而在现实条件下测试CD方法并选择适用于特定目标应用的最合适方法。

    Aug, 2022

  • TC-GAT：用于时序因果发现的图注意力网络

    本研究通过整合时间和因果关系的方式，提出 TC-GAT 模型并用于因果关系提取任务，在编译了包括时间关系在内的数据集基础上，进行了实验表明其比基线模型更为有效。

    Apr, 2023

  • $ exttt{causalAssembly}$: 生成逼真的生产数据以进行因果关系发现的基准测试

    本研究通过收集来自装配线的复杂数据集，建立了一个半合成制造数据的系统，通过分析其中的因果关系和使用 Python 库 causalAssembly 进行了多种因果推理算法的基准测试，以验证别人的因果关系学习算法在真实数据中的正确性和有效性。

    Jun, 2023

  • 引入基于时间序列-Transformer 的混合建模：批结晶中串行与并行方法的对比研究

    现有的数字孪生都依赖于基于数据的黑盒模型，主要使用深度神经网络来捕捉化学系统的动态，然而，由于安全和操作问题，这些模型尚未在实践中得以应用，为了解决这个问题，将基于物理学原理的混合模型与机器学习模型相结合已经越来越受欢迎，具有较强的预测性能，因此，为批次结晶开发了一种基于时间序列变压器的混合框架，通过与传统黑盒模型相比，该框架展示了更好的准确性和可解释性，未来预计基于注意力机制的混合模型将在化学制造业的发展中发挥关键作用。

    Jul, 2023

  • 复杂工业系统中的因果发现：一个时序基准

    通过从专家知识构建的因果图，我们提供了一个测试平台，用于从复杂系统的时间序列观测中进行因果推断，我们相信这可以为因果推断方法的发展提供帮助。

    Oct, 2023

  • 工业感知与控制的机器学习：调查与实践视角

    利用深度学习技术，本研究旨在探索数据驱动感知、优化和控制在工艺产业中的应用及相关挑战，并提出基于统计和机器学习的混合建模方法与领域知识相结合的数据驱动方案。

    Jan, 2024

  • LLM在干预数据的时间域因果推断中的增强

    提出了一种能在工业场景中发现时间因果关系的 RealTCD 框架，通过遮蔽和正则化的策略，采用基于得分的时间因果发现方法，无需依赖干预目标进行根本原因分析，并结合大型语言模型和领域知识来提取系统中隐藏的文本信息中的元知识，以提高发现质量。在模拟和真实数据集上进行了大量实验证明了 RealTCD 框架相对于现有基准的优越性。

    Apr, 2024

  • 工业过程中的自动化知识图谱学习

    该篇论文介绍了一种针对工业应用量身定制的从时间序列数据中自动学习知识图谱的框架，该框架通过解决工业数据固有的复杂性将其转化为知识图谱，从而提升决策制定、过程优化和知识发现；此外，它还利用格兰杰因果关系识别可以为预测模型设计提供指导的关键属性；为了说明我们的方法的实际效用，我们还呈现了一个现实世界工业场景下应用框架的激励案例；此外，我们演示了如何将时间序列数据自动转换为知识图谱，以识别重要过程参数之间的因果影响或依赖关系。

    Jul, 2024

  • COKE：基于时间顺序和专家知识的高比例缺失制造数据的因果发现

    COKE使用领域专家知识和传感器之间的编年顺序来构建制造数据集中的因果图，而无需填充缺失数据。在各种传感器数量和缺失比例的不同设置中进行的实验评估表明，与基准方法相比，我们的方法在F1得分上的平均提升为39.9%。当考虑类似于真实世界数据集的配置时，F1得分的提升可达到62.6%，在真实半导体数据集中可达到85.0%。

    Jul, 2024

  • 工业过程中半监督多单元软测量的深度潜变量模型

    通过结合半监督学习和多任务学习的方法，利用深度潜在变量模型实现了多单元软传感问题的优秀结果，即使没有标记数据，未标记数据也能提高软传感性能。

    Jul, 2024