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

HTML
PDF
TL;DRCOKE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%。
发现论文，激发创造
  • 智能制造数据集上的异常检测和传感器间迁移学习

    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

  • 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

  • SensorSCAN: 化学过程中自监督学习和深度聚类用于故障诊断

    本文提出了一种名为SensorSCAN的新型无监督故障检测和诊断方法，主要应用于化学传感器数据的处理，实验结果表明，该方法在公开数据集上的表现优于现有算法，能够有效检测出工业生产中的故障。

    Aug, 2022

  • 利用结构方程模型在制造领域学习因果图

    本文介绍了如何在制造领域中通过先前知识和过程数据的结合使用结构方程模型来推导因果关系，与现有应用程序相比，我们不假定线性关系，从而得到更丰富的结果。

    Oct, 2022

  • $ 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

  • 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

  • 制造业中基于因果贝叶斯网络和知识图谱的交互式智能根本原因分析

    制造电动车过程中的根本原因分析(RCA)是识别故障原因的过程。传统上，RCA是通过依靠过程专家知识进行手动进行的。与此同时，传感器网络在制造过程中收集了大量的数据。使用这些数据进行RCA使其更高效。然而，纯数据驱动的方法如因果贝叶斯网络在大规模的实际制造过程中存在问题，因为有大量的潜在因果关系。此外，纯数据驱动的方法有可能遗漏已知的因果关系或学习到虚假的因果关系。本文提出了一种结合电动车制造过程的专家知识和数据驱动机器学习方法的交互智能RCA工具。它利用制造过程的大规模知识图谱进行推理，并学习因果贝叶斯网络。此外，交互式用户界面使得过程专家可以通过向知识图谱添加和删除信息来对根本原因图进行反馈。这种交互智能RCA工具减少了因果贝叶斯网络的学习时间，同时减少了虚假因果关系的数量。因此，交互智能RCA工具在专家和机器学习方法之间建立了一个闭环反馈。

    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

  • 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

    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。

    Jun, 2024