由于培训和测试数据分布之间的域移动，新的操作条件可能会导致故障诊断模型的大量性能下降。尽管已经提出了几种域的适应方法来克服此类域移位，但如果两个域中表示的故障类别不相同，则其应用是有限的。为了在两个不同的域之间启用训练有素的模型的更好可传递性，尤其是在两个域之间仅共享健康数据类别的设置中，我们提出了一个新的框架，以基于生成不同的故障签名的部分和开放式域适应一个瓦斯林甘。提出的框架的主要贡献是具有两个主要不同特征的受控合成断层数据生成。首先，所提出的方法使目标域中仅能访问目标域中的健康样品和源域中的样本错误，从而在目标域中生成未观察到的故障类型。其次，可以将故障产生控制以精确生成不同的故障类型和故障严重程度。所提出的方法特别适合于极端域的适应设置，这些设置在复杂和安全关键系统的背景下特别相关，其中两个域之间仅共享一个类。我们在两个轴承断层诊断案例研究上评估了部分和开放式域适应任务的拟议框架。我们在不同标签空间设置中进行的实验展示了提出的框架的多功能性。与给定较大域间隙的其他方法相比，提出的方法提供了优越的结果。
translated by 谷歌翻译
铁路是一个复杂的系统，包括多个基础设施和滚动库存资产。为了安全，可靠，有效地操作系统，需要监视许多组件的条件。为了自动化此过程，可以使用数据驱动的故障检测和诊断模型。但是，实际上，如果培训数据集并不代表所有可能的未来条件，则数据驱动模型的性能可能会受到损害。我们建议通过学习特征表示，一方面是对操作或环境因素不变的，但另一方面，对资产的健康状况的变化敏感。我们评估了如何在有监督的和无监督的故障检测和诊断任务上使用对比度学习，并在铁路系统中进行实际状态监控数据集 - 来自基础架构资产的一个图像数据集和来自滚动库存资产的一次时间序列数据集。首先，我们评估了标有标记图像数据集的铁路卧铺缺陷分类任务上有监督的对比功能学习的性能。其次，我们评估了无监督的对比功能学习的性能，而没有在铁路轮数据集的异常检测任务上访问故障样本。在这里，我们检验了特征编码器对降解的敏感性是否对数据中的新故障模式敏感的假设。我们的结果表明，与最先进的方法相比，对比功能学习可以提高有关卧铺的监督分类任务的绩效。此外，在有关铁路轮的异常检测任务上，与最新方法相比，炮击缺陷的检测得到了改善。
translated by 谷歌翻译
作为行业4.0时代的一项新兴技术，数字双胞胎因其承诺进一步优化流程设计，质量控制，健康监测，决策和政策制定等，通过全面对物理世界进行建模，以进一步优化流程设计，质量控制，健康监测，决策和政策，因此获得了前所未有的关注。互连的数字模型。在一系列两部分的论文中，我们研究了不同建模技术，孪生启用技术以及数字双胞胎常用的不确定性量化和优化方法的基本作用。第二篇论文介绍了数字双胞胎的关键启示技术的文献综述，重点是不确定性量化，优化方法，开源数据集和工具，主要发现，挑战和未来方向。讨论的重点是当前的不确定性量化和优化方法，以及如何在数字双胞胎的不同维度中应用它们。此外，本文介绍了一个案例研究，其中构建和测试了电池数字双胞胎，以说明在这两部分评论中回顾的一些建模和孪生方法。 GITHUB上可以找到用于生成案例研究中所有结果和数字的代码和预处理数据。
translated by 谷歌翻译
作为行业4.0时代的一项新兴技术，数字双胞胎因其承诺进一步优化流程设计，质量控制，健康监测，决策和政策制定等，通过全面对物理世界进行建模，以进一步优化流程设计，质量控制，健康监测，决策和政策，因此获得了前所未有的关注。互连的数字模型。在一系列两部分的论文中，我们研究了不同建模技术，孪生启用技术以及数字双胞胎常用的不确定性量化和优化方法的基本作用。第一篇论文介绍了目前从事这一研究领域的许多学科的数字双胞胎趋势的详尽文献综述。然后，通过将数据分类为两个主要类别：基于数据流的方向，将数字双胞胎建模和双胞胎启用技术分为两个主要类别：物理到虚拟和虚拟物理。最后，本文在未来十年中提供了有关数字双技术轨迹的观点，并介绍了一些新兴研究领域，这些领域可能在未来的数字双胞胎研究中很可能有很大的用途。在本综述的第二部分中，讨论了不确定性量化和优化的作用，展示了电池数字双胞胎，并共享了数字双胞胎未来的更多观点。
translated by 谷歌翻译
在电力市场中寻找最佳的招标策略将带来更高的利润。但是，由于系统不确定性，这是一个充满挑战的问题，这是由于其他一代单位的策略所致。分布式优化（每个实体或代理人都决定单独出价）已成为最新技术的状态。但是，它无法克服系统不确定性的挑战。深度强化学习是在不确定环境中学习最佳策略的一种有前途的方法。然而，它无法在学习过程中整合有关空间系统拓扑的信息。本文提出了一种基于深钢筋学习（DRL）与图形卷积神经网络（GCN）的分布式学习算法。实际上，拟议的框架可以通过从环境中获得反馈来帮助代理商更新决策，从而可以克服不确定性的挑战。在该提出的算法中，节点之间的状态和连接是GCN的输入，可以使代理知道系统的结构。有关系统拓扑的此信息可以帮助代理商改善其投标策略并增加利润。我们在不同情况下评估了IEEE 30总线系统上提出的算法。此外，为了研究所提出的方法的概括能力，我们测试了IEEE 39-BUS系统的训练模型。结果表明，所提出的算法具有与DRL相比具有更大的泛化能力，并且在更改系统拓扑时可能会获得更高的利润。
translated by 谷歌翻译
在许多应用程序中，信号denoising通常是任何后续分析或学习任务之前的第一个预处理步骤。在本文中，我们建议采用受信号处理启发的深度学习denoising模型，这是一个可学习的小波数据包变换版本。所提出的算法具有很少的可解释参数的显着学习能力，并且具有直观的初始化。我们提出了对参数的学习后修改，以使denoising适应不同的噪声水平。我们评估了提出的方法在两个案例研究中的性能，并将其与其他最先进的方法进行比较，包括小波schrinkage denoising，卷积神经网络，自动编码器和U-NET深模型。第一个案例研究基于设计的功能，通常用于研究算法的降解性质。第二个案例研究是音频背景删除任务。我们演示了所提出的算法如何与信号处理方法的普遍性以及深度学习方法的学习能力有关。特别是，我们评估了在用于培训的课程内外的结构化噪声信号上获得的降解性能。除了在培训课程内部和外部具有良好的降级信号外，我们的方法还表明，当添加不同的噪声水平，噪声类型和工件时，我们的方法尤其强大。
translated by 谷歌翻译
相互作用的粒子系统在科学和工程中起着关键作用。访问管理粒子相互作用定律是对此类系统的完整理解至关重要的。但是，固有的系统复杂性使粒子相互作用在许多情况下隐藏了。机器学习方法有可能通过将实验与数据分析方法相结合来学习相互作用的粒子系统的行为。但是，大多数现有的算法都集中在学习粒子水平的动力学上。学习成对相互作用，例如成对力或成对势能，仍然是一个开放的挑战。在这里，我们提出了一种适应图网络框架的算法，该算法包含一个边缘零件，以学习成对相互作用和节点部分，以在粒子级别对动力学进行建模。与在两个部分中使用神经网络的现有方法不同，我们在节点部分中设计了确定性操作员，该方法允许精确推断出与基本物理定律一致的成对相互作用，仅通过训练以预测粒子加速度。我们在多个数据集上测试了所提出的方法，并证明它在正确推断成对相互作用的同时也与所有数据集上的基础物理学一致，在正确推断成对相互作用方面取得了出色的性能。所提出的框架可扩展到较大的系统，并可以转移到任何类型的粒子相互作用。开发的方法可以支持对潜在粒子相互作用定律的更好理解和发现，从而指导具有目标特性的材料的设计。
translated by 谷歌翻译
本文提出了一种安全的竞标决策和单位维护调度的安全加强学习算法和竞争力的电力市场环境。在这个问题中，每个单位都旨在找到一个招标策略，以通过调度预防性维护同时保持其可靠性，以最大限度地提高其收入。维护调度提供了一些安全约束，应该始终满足。满足批判性安全性和可靠性限制，而生成单位具有彼此的不完整信息的竞标策略是一个具有挑战性的问题。双层优化和加强学习是解决这种问题的最先进方法。然而，双层优化和增强学习都无法应对不完全信息和关键安全限制的挑战。为了解决这些挑战，我们提出了安全的深度确定性政策梯度加强学习算法，其基于加强学习和预测安全滤波器的组合。案例研究表明，与其他现有技术相比，该方法可以实现更高的利润，同时满足系统安全约束。
translated by 谷歌翻译
高频（HF）信号在工业世界中普遍存在，对于监测工业资产具有很大的用途。大多数深度学习工具都是针对固定和/或非常有限的尺寸的输入和深入学习的许多成功应用，因为输入的工业情境使用作为输入的提取特征，这是手动和通常艰苦地获得原始信号的紧凑型表示。在本文中，我们提出了一个完全无监督的深度学习框架，能够提取原始HF信号的有意义和稀疏表示。我们嵌入了我们的架构的快速离散小波变换（FDWT）的重要属性，如（1）级联算法，（2）将小波，缩放和转换滤波器功能链接在一起的共轭正交过滤器属性，以及（3）系数去噪。使用深度学习，我们使这座架构完全学习：小波基座和小波系数去噪都是可知的。为实现这一目标，我们提出了一种新的激活函数，该激活函数执行小波系数的学习硬阈值。通过我们的框架，Denoising FDWT成为一个完全学习的无监督工具，既不需要任何类型的预处理，也不需要任何关于小波变换的先前知识。我们展示了在在开源声音数据集上执行的三种机器学习任务中嵌入所有这些属性的好处。我们对每个物业对架构的性能的影响进行了消融研究，达到了基线高于基线的结果和其他最先进的方法。
translated by 谷歌翻译
随着在边缘处使用容器的能力，它们构成了统一的解决方案，以打击分布式多主机ROS部署的复杂性，以及各个ROS节点和依赖关系部署。ROS中的双向通信对使用包含多个机器的非容集装箱中的集装箱ROS部署构成了挑战。我们将分析ROS采用的通信协议，以及不同容器网络模式的适用性及其对ROS部署的影响。最后，我们将为ROS呈现第7层透明代理服务器架构，作为所识别的问题的解决方案。不仅可以在集装箱中的环境中使用ROS，但通常在网段之间代理ROS。
translated by 谷歌翻译