- 面向软件编辑中小企业的本地 AIOps 基础设施:一份经验报告
通过利用开源工具,本文调查了在内部实施 AIOps 解决方案的可行性,介绍了一个成功部署的综合 AIOps 基础设施,并提供了构建其各个组件的不同选择的基础。对于寻求以现代 AIOps 方法内部管理软件维护流程的公司,我们的经验可以提供帮助 - 循环传感器数据的深度卷积神经网络
通过使用一个液压系统测试数据集,本研究聚焦于传感器基于的状态监测,并探索了使用深度学习技术的应用。我们比较了三种模型的性能:一个使用常规方法的基准模型,一个具有早期传感器融合的单一卷积神经网络模型,以及一个具有晚期传感器融合的双路卷积神经网 - 土木工程结构的数字孪生框架
本研究提出了一种基于预测性数字孪生的方法,用于土木工程结构的健康监测、维护和管理规划,通过动态贝叶斯网络建模实现了实时的结构健康诊断和故障预测,并利用此信息用于动态决策框架中的维护和管理行动的优化规划。通过两个综合案例研究,验证了该方法对健 - 基于机器学习的装甲车辆预测性维护
提出了一种基于预测性维护的集成系统,通过从传感器数据收集的信息,准确预测装甲车辆的维护需求,评估了所提出的集成模型的稳定性和表现,结果表明该系统具有高精度和高召回率,可以有效预测维护需求,从而减少车辆停机时间,提高运营效率,强调了基于机器学 - 利用基于星型的可达性分析检验变长时间序列输入的深度神经网络鲁棒性
基于神经网络的时间序列数据的鲁棒性验证方法的案例研究,重点强调噪音对未来结果的影响,以及在真实应用中验证和验证基于神经网络的时间序列数据分析的重要性。
- 损伤视觉开采不平衡异常检测机会
在这项研究中,我们概述了在视觉检测、异常检测、损坏数据挖掘和预测性维修方面的不平衡数据问题,并提供了在木材、混凝土损坏和灾难损害等视觉数据集上的清晰示例,证明了正例比率范围越大,异常检测应用的准确性提高越高的假设结果。
- 工业时间序列异常检测深度迁移学习综述:方法、应用和方向
深度迁移学习在工业过程中具有识别异常事件和优化质量的潜力,通过利用与相关任务的知识以及解决时间序列异常检测的问题来解决使用标准深度学习所需的大规模标记数据的问题,同时降低了深度学习模型设计和实现的复杂度。
- 深度学习在油田设备预测性维护中的应用
本文探讨了用人工智能和深度学习 (特别是神经网络) 进行预测性维护、诊断和预测的新兴技术应用,开发并测试了多种神经网络结构,使用公共数据集进行了诊断和预测。在结合深度学习技术 (如主成分分析和信号处理) 进行数据处理和特征提取的同时,探讨了 - 可解释预测性维护
本文强调了现有可解释人工智能的方法与行业应用之间的鸿沟,并探讨了特定于预测维护领域的解释方案的需求和不同目的,列举和描述了通常在文献中使用的可解释人工智能技术,最后展示了四个特定的工业用途案例。
- 基于 Mondrian 拟合预测器的企业级磁盘清洗
提出了一种基于机器学习的选择性磁盘刷写方法,通过主动预测每个磁盘的健康状况来识别特定的磁盘进行刷写,以实现数据中心的可靠性和能源效率的提高。
- 一种基于卷积核的混合特征学习方法用于 ATM 事件日志数据的故障预测
本研究提出了一种基于卷积核的预测模型来从原始事件日志数据中提取特征,并使用线性分类器对样本进行分类,以便在 ATM 及时维护方面支持运营商。实验结果表明,该模型在时间序列分类和机器学习方法方面具有较好的性能,并已经应用于一个实际数据集中。
- 工业应用中的预测维护和质量检查联邦学习
本研究对不同的联邦学习聚合方法进行了性能评估,并将它们与中心化和本地化训练方法进行了比较。研究结果表明,FL 的性能高度依赖于数据及其在客户端的分布。在某些场景下,FL 可以是传统中心化或本地化训练方法的有效替代方案。此外,我们介绍了一个来 - 关于 PHM 中 XAI 的准确性
本文提出一种应用于时间序列回归模型的 XAI 方法的关键性和比较式修订,以探索这些方法的有效性,并比较它们之间的性能差异,结果表明 GRAD-CAM 是最强大的方法。
- RobustPdM:针对对抗攻击设计鲁棒的预测性维护
提出一种端到端的方法,通过分析不同类型的对抗攻击并提出新的对抗性防御技术,设计对抗性强的预测性维修系统,利用 NASA 的 turbofan 引擎数据集进行评估,表明近似对抗性训练可以显著提高预测性维修模型的鲁棒性,同时提供比现有最先进的预 - 基于 Cox-Weibull 神经网络的贝叶斯武器系统可靠性建模
通过神经网络、贝叶斯模型和新型区间蒙特卡罗 Markov Chain 技术来改进武器系统的预测性维护,结果表明相对于传统模型,本研究方法具备更好的预测能力。
- 使用 Hypernetworks 和 PINNs 进行热交换器的实时健康监测
利用物理学信息神经网络(PINN)对换热器进行实时健康监测,以提高热电厂能效,达到减少推理时间的目的,同时保持物理学基础仿真准确性,使该方法对于数字孪生环境中的换热器预测性维护非常有吸引力。
- 适用于家用电器维护的物联网云和大数据架构
本文介绍了一种分布式、可伸缩的平台架构,可用于有效的实时大数据采集和分析,其中结合智能家电的实时预测维护进行了案例研究,结果表明该平台具有成本效益和本地化优势。
- 使用 Kullback-Leibler 散度跟踪变化的连续学习
介绍了一种利用 Kullback-Leibler 散度来监控多维数据流概率分布变化,以预测概念漂移事件并了解其本质的新方法,并探讨了其在预测维护等实际任务中的应用。
- 利用功能工作组和传感器通道的车辆时间异常检测系统
本文介绍了基于 Temporal Convolution Networks 的多阶段异常检测方法,使用 Vehicle Performance,Reliability 和 Operations (VePRO) 数据集,结合多个 FWG 的传 - 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。