本文基于从SCADA系统收集的数据,提出了一种新颖灵活的故障预测解决方案。基于数据驱动方法提供两种不同级别的故障预测:(a)通用故障/状态预测和(b)特定故障类预测,通过基于无监督聚类算法和模式识别神经网络的两种基于机器学习的模块实现分别是网络。模型已经在六个光伏(PV)工厂的公园进行了评估,该工厂的功率高达10兆瓦,而且还有三个不同技术品牌的一百个逆变器模块。结果表明,所提出的方法在以下方面是有效的:(a)提前7天预测受试者一般性故障,灵敏度高达95%;(b)预测特定故障类别的损坏,时间从几小时到7天不等。该模型可轻松部署,用于在新的光伏电站和技术上进行在线监测,只需要提供历史SCADA和故障数据,故障分类和逆变器电气数据表。关键词:数据挖掘,故障预测,逆变模块,KeyPerformance指标,丢失生产
translated by 谷歌翻译
非线性机器学习模型通常会因缺乏可解释性而牺牲一个很好的预测性能。然而,模型不可知解释技术现在允许我们估计任何预测模型的特征的影响和重要性。不同的符号和术语使他们的理解以及它们如何相关变得复杂。缺少对这些方法的统一观点。我们提出了广义SIPA(采样,干预,预测,聚合)工作阶段框架,用于模式诊断解释技术,并演示如何将几个突出的特征效应方法嵌入到提议的框架中。 Wealso正式引入预先存在的边际效应来描述黑盒模型的特征效应。此外,我们通过指出基于方差和基于性能的重要性度量如何基于相同的工作阶段,将框架扩展到特征重要性计算。广义框架可以作为在机器学习中进行模型不可知解释的指导。
translated by 谷歌翻译
尽管在许多应用中通过深度学习获得了惊人的结果,但是在复杂环境中作用的代理人的真实智能行为可能需要某种更高级别的符号推断。因此,显然需要一般性的定义。低级任务之间的紧密集成,处理可以使用深度学习技术进行详细阐述的感官数据,以及允许人们在复杂环境中做出决策的逻辑推理。本文介绍了LYRICS,它是AI的通用接口层,在TersorFlow(TF)中实现。 LYRICS提供了一种输入语言,允许定义任意一阶逻辑(FOL)背景知识。 FOL知识的谓词和函数可以绑定到任何TF计算图,并且公式被转换成一组实值约束,其参与整体优化问题。这允许在先前知识所施加的约束下学习学习者的权重。框架是非常通用的,因为它对可以集成哪些模型或知识没有施加任何限制。在本文中,我们展示了该方法的一般性,显示了所提出语言的一些使用案例,包括生成模型,逻辑推理,模型检查和监督学习。
translated by 谷歌翻译
我们提出了一种用于人形步态生成的新型MPC框架,其在公式中具有明确的稳定性约束。所提出的方法使用动态扩展LIP作为预测模型,其中ZMP速度是控制输入,实时产生步态(包括具有相关定时的足迹),其实现来自外部源的全向运动命令。稳定性约束将未来的ZMPvelocities链接到当前系统状态,以便保证所生成的CoM轨迹相对于ZMP轨迹有界的基本要求。由于MPC算法的控制范围是有限的,因此只有未来ZMP速度的一部分是MPC问题的决策变量;剩余部分,称为尾部,必须使用关于参考运动的预览信息进行猜测或预期。讨论了尾部的几种可能的选择,并且示出了它们中的每一个对应于特定的终端约束。详细分析了该方法的稳定性和可行性:特别是对通用MPC迭代的可行性进行了理论分析,并用于获得递归可行性和稳定性的充分条件。给出了NAO和HRP-4类人生物的模拟和实验结果,说明了该方法的性能。
translated by 谷歌翻译
深度学习在联合学习特征表示和分类模型方面非常有效,特别是在处理高维输入模式时。另一方面,概率逻辑推理能够在复杂环境中采取一致且稳健的决策。深度学习和逻辑推理的整合仍然是一个开放性研究问题,它被认为是真正智能代理发展的关键。本文介绍了深度逻辑模型,它是深度图形模型,集成了学习和推理的深度学习和逻辑推理。 Deep LogicModels创建了一个端到端的可区分架构,深度学习者可以嵌入到网络中,实现对logicknowledge的持续放松。学习过程允许共同学习解析者的权重和控制高级推理的元参数。实验结果表明,所提出的方法取代了其他方法的局限性,这些方法已被提出用于桥接深度学习和推理。
translated by 谷歌翻译
贝叶斯决策树以其概率可解释性而闻名。然而,它们的构造有时可能是昂贵的。在本文中,我们提出了适用于回归和分类问题的一般贝叶斯决策树算法。该算法不适用马尔可夫链蒙特卡罗并不需要修剪步骤。虽然可以构造加权概率树空间,但我们发现一个特定树,即模态树(GMT),解释了当时数值例子中包含的大部分信息。这种方法似乎与随机森林的表现相似。
translated by 谷歌翻译
天然气是意大利最重要的能源之一:燃料热电厂,工业设施和家庭供暖。天然气需求是每个能源供应商的关键过程,因为它可以实现管道预留和库存计划。在本文中,我们通过比较几个统计学习模型,包括岭回归,高斯过程和深度神经网络,解决了住宅天然气需求的短期预测问题。我们还介绍了预处理和特征工程的初步步骤。据我们所知,nobenchmark可用于我们执行的任务,因此我们根据气象预报的不准确性得出理论上的性能限制。最好的模型,一个深度神经网络,实现了一个RMSE,它在性能极限方面大约是两倍。
translated by 谷歌翻译
我们提出了一种新的SAR图像去斑方法,该方法利用来自共同注册的光学图像的信息。过滤是通过简单的非本地方式进行的,仅对SAR数据进行操作。然而,通过还考虑光学指导来计算滤波权重,该光学指导比SAR数据更清晰,因此更具辨别力。为了避免将光域信息注入到滤波后的图像中,预先进行了一个SAR域统计测试,以立即拒绝任何任意的预测器。在两个SAR光学数据集上的实验证明了所提出的方法,即非常有效地抑制散斑,保留结构细节,并且不引入可见的滤波伪像。总的来说,所提出的方法与所有最先进的去斑滤波器相比,并且与我们之前的光学引导滤波器相比也是有利的。
translated by 谷歌翻译
变分自动编码器在计算机视觉和语音处理等领域被证明是成功的。尽管最近它在当前的文献中开始受到关注,但它们对用户偏好建模的采用仍未得到探索。在这项工作中,我们提出了一个模型,通过利用过去的偏好历史中存在的丰富信息来扩展变异编码器。我们引入了VAE的循环版本,而不是传递整个历史的子集而不考虑时间依赖性,我们宁愿通过循环神经网络传递消耗序列子集。在RNN的Ateach时间步长中,序列通过一系列连接的层馈送,其输出模拟最可能的未来偏好的概率分布。我们表明,处理时态信息对于提高VAE的准确性至关重要:事实上,我们的模型以有价值的边缘击败当前最先进的技术,因为它能够捕获用户消费序列之间的时间依赖性,使用循环编码器仍然保持变异的基本原理完整的。
translated by 谷歌翻译
用于晶体结构表征的X射线衍射(XRD)是新材料开发周期中耗时且复杂的步骤之一。我们提出了一种机器学习方法,用于从有限数量的实验薄膜XRD图案中预测晶体维度和空间群。通过将监督机器学习方法与基于物理学的数据增强策略相结合,我们克服了稀疏数据对新材料开发的影响。使用这种方法,XRD光谱采集和分析在5.5分钟内完成,精确度与人类专家标记相当。我们模拟了无机晶体结构数据库(ICSD)中包含的晶体信息的实验粉末衍射图。我们使用标记的模拟和实验增强数据集的组合来训练分类算法,其考虑了薄膜特征和测量噪声。作为测试案例,合成并分类了88个跨越三维和7个空间群的金属卤化物薄膜。评估了多种机器学习技术的准确性和吞吐量,以及增强数据集大小的影响。最准确的分类算法被发现是前馈深度神经网络。维数和空间群分类的计算准确度可与人类专家的地面实况标记相比,分别约为90%和85%。此外,我们在失去预测精度之前系统地评估最大XRD谱步长(数据采集速率),并确定它为\ ang {0.16} $ 2 \ theta $,这使得能够在5分钟或更短时间内获得并分析XRD谱。
translated by 谷歌翻译