精确预测加工循环时间在制造业中很重要。通常,计算机辅助制造(CAM)软件使用基本的运动设置使用来自刀具路径文件的命令进给的加工时间。通常,该方法不考虑刀具路径几何形状或刀具路公差,因此估计大幅度的加工循环时间。删除对机器特异性知识的需求,本文通过为每个机床轴构建神经网络模型提出了一种数据驱动的进给和加工周期时间预测方法。在本研究中,使用由指令的进给,标称加速,刀具路径几何和测量的进料组成的数据集来训练神经网络模型。在商业加工中心上使用代表性工业薄壁结构组件的验证试验表明,该方法估计了90%以上的加工时间。该方法表明,神经网络模型具有了解复杂机床系统的行为和预测循环时间的能力。进一步整合这些方法在工业4.0中的数字双胞胎的植入中至关重要。
translated by 谷歌翻译
作为物理系统或过程的实时数字对应物,用于系统仿真和优化的数字双胞胎。神经网络是通过使用数据构建数字双胞胎模型的一种方法,尤其是当基于物理的模型不准确甚至不可用时,尤其是当基于物理的模型时。但是,对于新设计的系统,需要累积足够的神经网络模型的数据需要时间,并且只有近似的基于物理的模型。为了利用两种模型,本文提出了一种模型,它结合了基于物理的模型和神经网络模型,以提高系统的整个生命周期的预测精度。所提出的混合模型(Physeinet)能够自动结合模型并提高其预测性能。实验表明,物理体既优于基于物理的模型和神经网络模型。
translated by 谷歌翻译
我们提出了一种基于数据驱动的优化的预补偿方法,以通过修改参考轨迹而不修改任何内置的低级控制器来改善精度运动阶段的轮廓跟踪性能。精确运动阶段的位置是通过数据驱动模型预测的,线性低保真模型用于通过更改路径速度和加速度轮廓来优化遍历时间,然后使用非线性高效率模型来完善该模型先前找到了时间最佳解决方案。我们通过实验证明,所提出的方法能够同时提高高精度运动阶段的生产率和准确性。鉴于模型的基于数据的性质,提出的方法很容易适应广泛的精确运动系统。
translated by 谷歌翻译
在这项工作中,我们解决了由三个腔室驱动的软仿生执行器的运动计划的逆动力学问题。由于其内在的柔软性,软仿生致动器已应用于许多应用中。尽管可以得出数学模型来描述该执行器的逆动力学,但捕获材料和系统的非线性和不确定性仍然不准确。此外,如此复杂的模型是耗时的,因此在实时控制单元中应用不容易。因此,在该领域开发一种无模型方法可能是一个新想法。为了克服这些内在问题,我们提出了一个后传播(BP)神经网络,学习在三维空间中移动的软仿生执行器的逆动力学。在使用样品数据进行训练之后,BP神经网络模型可以代表操纵器尖端位置与施加到腔室的压力之间的关系。所提出的算法比分析模型更精确。结果表明,相对于总执行器长度,相对平均误差为2.46%,可以实现所需的末端位置。
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
调试后已显示建筑物的性能会大大降解,从而增加能源消耗和相关的温室气体排放。使用现有的传感器网络和IoT设备进行连续调试有可能通过不断识别系统退化并重新调整控制策略以适应真正的建筑绩效来最大程度地减少这种废物。由于其对温室气体排放的重大贡献,为建筑加热的气体锅炉系统的性能至关重要。锅炉性能研究的综述已用于开发一组常见的断层和降解的性能条件,这些断层已集成到MATLAB/SIMULINK模拟器中。这导致了一个标记的数据集,并为14个非谐波锅炉中的每一个都进行了大约10,000个稳态性能的模拟。收集的数据用于使用K-Nearest邻居,决策树,随机森林和支持向量机训练和测试故障分类。结果表明,支持向量机方法给出了最佳的预测准确性,始终超过90%,并且由于较低的分类精度,无法对多个锅炉进行概括。
translated by 谷歌翻译
通过有效的监控和调整电池操作条件,促进了锂离子电池的寿命和安全性。因此,为电池管理系统上的健康状况(SOH)监测提供快速准确的算法至关重要。由于对电池劣化的复杂性和多种因素的复杂性和多种因素的复杂性,特别是因为不同的劣化过程发生在各种时间尺度,并且它们的相互作用发挥着重要作用。数据驱动方法通过用统计或机器学习模型近似复杂进程来绕过这个问题。本文提出了一种数据驱动方法,在电池劣化的背景下,尽管其简单性和易于计算:多变量分数多项式(MFP)回归。模型从一个耗尽的细胞的历史数据训练,并用于预测其他细胞的SOH。数据的特征在于模拟动态操作条件的载荷变化。考虑了两个假设情景:假设最近的容量测量是已知的,则另一个仅基于标称容量。结果表明,在考虑到电池寿命的电池结束时,通过其历史数据的历史数据受到它们的历史数据的影响,电池的降解行为受到其历史数据的影响。此外,我们提供了一种多因素视角,分析了每个不同因素的影响程度。最后,我们与长期内记忆神经网络和其他来自相同数据集的文献的其他作品进行比较。我们得出结论,MFP回归与当代作品有效和竞争,提供了几种额外的优点。在可解释性,恒定性和可实现性方面。
translated by 谷歌翻译
更新和竣工模型在过程工厂的生命周期中起着重要作用。特别是,必须精确地为系统精确以确保系统的效率和可靠性。数据驱动的模型可以通过考虑不确定性和生命周期相关的更改来模拟子系统的最新行为。本文介绍了使用早期实施的原型作为示例的过程工厂的混合数字双床模型的逐步概念。它将详细介绍使用流程设备的数据驱动模型更新棕色域处理系统的第一原理模型和数字双胞胎的步骤。还将讨论产生竣工混合数码双床的挑战。在处理历史数据的帮助下,教导机器学习模型,可以随着时间的推移不断提高实现的数字双胞划,并且可以进一步优化这项工作。
translated by 谷歌翻译
本研究介绍了混合过程建模和优化的广阔视角,将科学知识和数据分析在生物处理和化学工程中与科学引导机学习(SGML)方法相结合。我们将这种方法分为两大类。首先是指基于数据的ML模型的恭维的情况并使基于第一原理的科学的模型在预测中更准确,并且第二个对应于科学知识有助于使ML模型更加科学地保持的情况。我们对科学和工程文献进行了详细审查,与混合SGML方法有关,并提出了混合动力SGML模型的系统分类。为了应用ML改善基于科学的模型,我们呈现了直串行和并行混合建模的子类别及其组合,反向建模,阶阶建模,量化过程中的不确定性,甚至发现该过程的管理方程式的博览会模型。为了应用科学原则来改善ML模型,我们讨论科学导游的设计,学习和改进的子类别。对于每个子类别,我们确定其要求,优势和局限性以及其在生物处理和化学工程中的出版和潜在的应用领域。
translated by 谷歌翻译
使用机器学习结构的增强机械常微分方程(ODE)模型是一种新颖的方法,可以通过测量数据创建专业知识和现实的高精度,低维模型。我们的探索性研究侧重于培训具有限制循环的物理非线性动力系统的通用微分方程(UDE)模型:勃起振动振荡和电动非线性振荡器的空心罐。我们考虑通过数值模拟产生培训数据的示例,而我们还将建议的建模概念应用于物理实验,允许我们研究各种复杂性的问题。要收集培训数据,因此使用基于控制的延续的方法,因为它不仅捕获稳定,而且使用观察到的系统的不稳定限制周期。此功能使得可以提取有关观察系统的更多信息,而不是标准,开环方法允许。我们使用神经网络和高斯过程作为通用近似器,以及机械模型,对UDE建模方法的准确性和稳健性进行了关键评估。我们还突出显示可能在培训过程中遇到的潜在问题,指示当前建模框架的限制。
translated by 谷歌翻译
机器学习(ML)为生物处理工程的发展做出了重大贡献,但其应用仍然有限,阻碍了生物过程自动化的巨大潜力。用于模型构建自动化的ML可以看作是引入另一种抽象水平的一种方式,将专家的人类集中在生物过程开发的最认知任务中。首先,概率编程用于预测模型的自动构建。其次,机器学习会通过计划实验来测试假设并进行调查以收集信息性数据来自动评估替代决策,以收集基于模型预测不确定性的模型选择的信息数据。这篇评论提供了有关生物处理开发中基于ML的自动化的全面概述。一方面,生物技术和生物工程社区应意识到现有ML解决方案在生物技术和生物制药中的应用的限制。另一方面,必须确定缺失的链接,以使ML和人工智能(AI)解决方案轻松实施在有价值的生物社区解决方案中。我们总结了几个重要的生物处理系统的ML实施,并提出了两个至关重要的挑战,这些挑战仍然是生物技术自动化的瓶颈,并减少了生物技术开发的不确定性。没有一个合适的程序;但是,这项综述应有助于确定结合生物技术和ML领域的潜在自动化。
translated by 谷歌翻译
物理信息的神经网络(PINN)是神经网络(NNS),它们作为神经网络本身的组成部分编码模型方程,例如部分微分方程(PDE)。如今,PINN是用于求解PDE,分数方程,积分分化方程和随机PDE的。这种新颖的方法已成为一个多任务学习框架,在该框架中,NN必须在减少PDE残差的同时拟合观察到的数据。本文对PINNS的文献进行了全面的综述:虽然该研究的主要目标是表征这些网络及其相关的优势和缺点。该综述还试图将出版物纳入更广泛的基于搭配的物理知识的神经网络,这些神经网络构成了香草·皮恩(Vanilla Pinn)以及许多其他变体,例如物理受限的神经网络(PCNN),各种HP-VPINN,变量HP-VPINN,VPINN,VPINN,变体。和保守的Pinn(CPINN)。该研究表明,大多数研究都集中在通过不同的激活功能,梯度优化技术,神经网络结构和损耗功能结构来定制PINN。尽管使用PINN的应用范围广泛,但通过证明其在某些情况下比有限元方法(FEM)等经典数值技术更可行的能力,但仍有可能的进步,最著名的是尚未解决的理论问题。
translated by 谷歌翻译
虽然在各种应用中广泛使用刚性机器人,但它们在他们可以执行的任务中受到限制,并且在密切的人机交互中可以保持不安全。另一方面,软机器鞋面超越了刚性机器人的能力,例如与工作环境,自由度,自由度,制造成本和与环境安全互动的兼容性。本文研究了纤维增强弹性机壳(释放)作为一种特定类型的软气动致动器的行为,可用于软装饰器。创建动态集参数模型以在各种操作条件下模拟单一免费的运动,并通知控制器的设计。所提出的PID控制器使用旋转角度来控制多项式函数之后的自由到限定的步进输入或轨迹的响应来控制末端执行器的方向。另外,采用有限元分析方法,包括释放的固有非线性材料特性,精确地评估释放的各种参数和配置。该工具还用于确定模块中多个释放的工作空间,这基本上是软机械臂的构建块。
translated by 谷歌翻译
血流特征的预测对于了解血液动脉网络的行为至关重要,特别是在血管疾病(如狭窄)的存在下。计算流体动力学(CFD)提供了一种强大而有效的工具,可以确定包括网络内的压力和速度字段的这些特征。尽管该领域有许多研究,但CFD的极高计算成本导致研究人员开发新的平台,包括机器学习方法,而是以更低的成本提供更快的分析。在这项研究中,我们提出了一个深度神经网络框架,以预测冠状动脉网络中的流动行为,在存在像狭窄等异常存在下具有不同的性质。为此,使用合成数据训练人工神经网络(ANN)模型,使得它可以预测动脉网络内的压力和速度。培训神经网络所需的数据是从ABAQUS软件的特定特征的次数的CFD分析中获得了培训神经网络的数据。狭窄引起的血压下降,这是诊断心脏病诊断中最重要的因素之一,可以使用我们所提出的模型来了解冠状动脉的任何部分的几何和流动边界条件。使用Lad血管的三个实际几何形状来验证模型的效率。所提出的方法精确地预测了血流量的血流动力学行为。压力预测的平均精度为98.7%,平均速度幅度精度为93.2%。根据测试三个患者特定几何形状的模型的结果,模型可以被认为是有限元方法的替代方案以及其他难以实现的耗时数值模拟。
translated by 谷歌翻译
信号处理是几乎任何传感器系统的基本组件,具有不同科学学科的广泛应用。时间序列数据,图像和视频序列包括可以增强和分析信息提取和量化的代表性形式的信号。人工智能和机器学习的最近进步正在转向智能,数据驱动,信号处理的研究。该路线图呈现了最先进的方法和应用程序的关键概述,旨在突出未来的挑战和对下一代测量系统的研究机会。它涵盖了广泛的主题,从基础到工业研究,以简明的主题部分组织,反映了每个研究领域的当前和未来发展的趋势和影响。此外,它为研究人员和资助机构提供了识别新前景的指导。
translated by 谷歌翻译
预后有助于实地系统或产品的寿命。量化该系统的当前健康状况使预后能够增强操作员的决策以保护系统的健康状况。由于(a)未知的身体关系和/(b)数据中的不规则性远远超出了问题的启动,因此很难为系统创建预后。传统上,三种不同的建模范例已被用来开发预后模型:基于物理学(PBM),数据驱动(DDM)和混合模型。最近,结合了基于PBM和DDM的方法并减轻其局限性的混合建模方法在预后域中获得了吸引力。在本文中,概述了基于模糊逻辑和生成对抗网络(GAN)的概念的组合概念的一种新型混合建模方法。基于Fuzzygan的方法将基于物理的模型嵌入模糊含义的聚集中。该技术将学习方法的输出限制为现实解决方案。轴承问题的结果表明,在模糊逻辑模型中添加基于物理的聚集的功效,以提高GAN对健康建模的能力并提供更准确的系统预后。
translated by 谷歌翻译
标准的神经网络可以近似一般的非线性操作员,要么通过数学运算符的组合(例如,在对流 - 扩散反应部分微分方程中)的组合,要么仅仅是黑匣子,例如黑匣子,例如一个系统系统。第一个神经操作员是基于严格的近似理论于2019年提出的深层操作员网络(DeepOnet)。从那时起,已经发布了其他一些较少的一般操作员,例如,基于图神经网络或傅立叶变换。对于黑匣子系统,对神经操作员的培训仅是数据驱动的,但是如果知道管理方程式可以在培训期间将其纳入损失功能,以开发物理知识的神经操作员。神经操作员可以用作设计问题,不确定性量化,自主系统以及几乎任何需要实时推断的应用程序中的代替代物。此外,通过将它们与相对轻的训练耦合,可以将独立的预训练deponets用作复杂多物理系统的组成部分。在这里,我们介绍了Deponet,傅立叶神经操作员和图神经操作员的评论,以及适当的扩展功能扩展,并突出显示它们在计算机械师中的各种应用中的实用性,包括多孔媒体,流体力学和固体机制, 。
translated by 谷歌翻译
了解添加剂制造(AM)过程的热行为对于增强质量控制和实现定制过程设计至关重要。大多数纯粹基于物理的计算模型都有密集的计算成本,因此不适合在线控制和迭代设计应用程序。数据驱动的模型利用最新开发的计算工具可以作为更有效的替代品,但通常会在大量仿真数据上进行培训,并且通常无法有效使用小但高质量的实验数据。在这项工作中,我们使用物理知识的神经网络开发了AM过程的基于混合物理学的热建模方法。具体而言,通过红外摄像机测量的部分观察到的温度数据与物理定律结合在一起,以预测全场温度病史并发现未知的材料和过程参数。在数值和实验示例中,添加辅助训练数据并使用转移学习技术在训练效率和预测准确性方面的有效性,以及具有部分观察到的数据的未知参数的能力。结果表明,混合热模型可以有效地识别未知参数并准确捕获全田温度,因此它具有在AM的迭代过程设计和实时过程控制中的潜力。
translated by 谷歌翻译
最近的机器学习(ML)和深度学习(DL)的发展增加了所有部门的机会。 ML是一种重要的工具,可以应用于许多学科,但其直接应用于土木工程问题可能是挑战性的。在实验室中模拟的土木工程应用程序通常在现实世界测试中失败。这通常归因于用于培训和测试ML模型的数据之间的数据不匹配以及它在现实世界中遇到的数据,称为数据偏移的现象。然而,基于物理的ML模型集成了数据,部分微分方程(PDE)和数学模型以解决数据移位问题。基于物理的ML模型训练,以解决监督学习任务,同时尊重一般非线性方程描述的任何给定的物理定律。基于物理的ML,它在许多科学学科中占据中心阶段,在流体动力学,量子力学,计算资源和数据存储中起着重要作用。本文综述了基于物理学的ML历史及其在土木工程中的应用。
translated by 谷歌翻译
我们提供了公式和开源工具,以使用学识渊博的前动力学和设备计算来实现传感器/执行器系统的内部模型预测控制。微控制器单元(MCUS)在与传感器和执行器共关联时计算预测和控制任务的微控制器单元(MCUS)可以实现内部不受束缚的行为。在这种方法中,小型参数大小神经网络模型离线学习前进运动学。我们的开源编译器NN4MC生成代码以将这些预测卸载到MCUS上。然后,牛顿 - 拉夫森求解器实时计算控件输入。我们首先基准在质量 - 弹簧抑制剂模拟上针对PID控制器的这种非线性控制方法。然后,我们在两个具有不同传感,驱动和计算硬件的实验钻机上研究实验结果:具有嵌入式照明传感器的基于肌腱的平台和带有磁性传感器的基于HASEL的平台。实验结果表明,具有较小的内存足迹(小于或等于闪存的6.4%)的参考路径(大于或等于120 Hz)的有效高带宽跟踪。在基于肌腱的平台中,测得的误差之后路径不超过2mm。在基于HASEL的平台中,模拟路径以下误差不超过1mm。这种方法在ARM Cortex-M4F设备中的平均功耗为45.4 MW。这种控制方法还与Tensorflow Lite模型和等效的在设备代码兼容。内物质智能使一类新的复合材料将自主权注入具有精制人工本体感受的结构和系统。
translated by 谷歌翻译