XiaoMi-AI文件搜索系统
World File Search System数据驱动
应用于软机器人建模和控制的数据驱动方法：评论
摘要 - 软机器人表现出合规性，并具有无限的自由度。多亏了这些特性，可以利用此类机器人进行手术，康复，仿生，探索未经培养的环境和工业抓地力。在这种情况下，它们吸引了来自各个领域的学者。但是，非线性和滞后作用也给机器人建模带来了负担。遵循其灵活性和适应性，软机器人控制比刚性机器人控制更具挑战性。为了建模和控制软机器人，以成对或单独使用了大量数据驱动的方法。本评论首先简要介绍了两个用于数据驱动方法的基础，即物理模型和雅各布矩阵，然后总结了三种数据驱动方法，即统计方法，神经网络和增强学习。本评论比较了这些类别内外的建模和控制器功能，例如模型动态，数据要求和目标任务。最后，我们总结了每种方法的功能。对现有建模和控制方法的优势和局限性进行了讨论，我们预测了软机器人中数据驱动方法的未来。网站（https://sites.google.com/view/23zcb）是为此评论而构建的，将经常更新。
生成的AI：塑造商业智能和数据驱动决策的未来
引用：Jagjot Bhardwaj，Shantanu Awasthi，Pan Singh Dhoni。（2025）。生成的AI：塑造商业智能和数据驱动决策的未来。国际人工智能与机器学习杂志（Ijaiml），4（1），1-8。摘要链接：https://iaeme.com/home/article_id/ijaiml_04_01_001文章链接：https：//iaeme.com/masteradmin/masteradmin/journal_uploads/ijaiml/volume_issue_4_issue_1/ijaiml_aiml_04_04_04_04_011_pdf
用于 IoT 可操作洞察和实时数据驱动网络的混合 AI
行业对网络带宽的需求逐年显著增加。流数据的指数级增长与机器学习和深度学习的使用量增长相匹配，机器学习和深度学习用于从这些数据中获取可操作的（理想情况下是实时的）见解。然而，基于人工神经网络 (ANN) 的方法在功能性、灵活性、准确性、可解释性和稳健性方面往往不足。对新模型开发和持续更新和再培训的需求超出了数据科学家和该领域其他人员的模型生成能力。实时数据驱动见解的供需差距持续扩大。在本文中，我们介绍了一种混合 AI 解决方案，该解决方案在 ML/DL 组合中添加了几个元素，具体来说是一种新的自监督学习机制、一种旨在支持机器生成的本体以及传统的人类生成的本体的知识模型，以及与 OpenNARS、AERA、ONA 和 OpenCog 等符号 AI 系统的接口等元素。我们的混合 AI 系统能够从数百万个时间序列中对机器生成的本体进行自监督学习，从而为包括数据中心和企业网络在内的大规模部署提供实时数据驱动的洞察。我们还将相同的混合 AI 应用于视频分析用例。我们迄今为止尝试的所有用例的初步结果都很有希望，尽管还需要做更多的工作来充分描述我们方法的优点和局限性。
面向设计人工智能和数据驱动技术的新参与式方法
由于人工智能 (AI) 涉及边缘化社区的许多技术和伦理问题，人们对用于边缘化人群的设计方法的兴趣日益浓厚，这些方法可能可以转移到人工智能技术的设计中。参与式设计 (PD) 是一种设计方法，通常用于边缘化社区，用于设计社会发展、政策、IT 和其他事项和解决方案。然而，当前的 PD 存在问题，在将其应用于技术设计（包括人工智能技术）时引发担忧。本文主张将 PD 用于人工智能技术的设计，并介绍和提出了一种新的 PD，我们称之为敏捷参与式设计，它不仅可以用于人工智能和数据驱动技术的设计，还可以克服当前 PD 及其在这些技术设计中的使用问题。
人工智能、数据驱动学习和平台生态系统的去中心化结构
Gregory、Henfridsson、Kaganer 和 Kyriakou (2020) 强调了数据和人工智能作为平台可用来提升用户价值的战略资源的重要作用。然而，他们的文章忽略了一个重要的概念区别：与平台连接的分散用户的安装基础位于平台所有者公司的边界之外，而从该安装基础获得的累积数据存在于公司边界内部并受公司控制。解释这一区别带来了两个与他们的理论不同的关键点。首先，平台生态系统的分散结构使得平台的价值获取成为分析数据驱动学习对用户的影响时必不可少的考虑因素。由于人工智能和数据允许平台增加平台所有者从用户那里获取的价值份额，因此用户感知到的价值往往会下降。其次，作为平台公司的内部资产，来自用户和补充者的数据表现出与控制安装基础本身的动态不同的动态。因此，平台数据存量的数量和质量与平台安装基础的规模仅松散地耦合。我们强调了这种区别对于推出新的多边平台的管理者的战略意义。
用于估计飞机发动机和硬盘驱动器剩余使用寿命的数据驱动模型
本论文由默里州立大学数字共享中心的学生作品免费开放给您。默里州立大学数字共享中心的授权管理员已接受本论文，将其纳入荣誉学院论文。如需更多信息，请联系 msu.digitalcommons@murraystate.edu 。
通过熔池监测进行焊珠几何形状预测的数据驱动方法
在增材制造领域，选择工艺参数以避免过度和不足沉积需要耗费时间和资源的反复试验。鉴于每个部件几何形状的独特特征，迫切需要推进实时过程监控和控制，以确保一致和可靠的部件尺寸精度。这项研究表明，支持向量回归 (SVR) 和卷积神经网络 (CNN) 模型为实时过程控制提供了一种有前途的解决方案，因为这些模型能够高精度地识别复杂的非线性模式。我们设计了一个新颖的实验来比较 SVR 和 CNN 模型的性能，以从单层单珠构造的熔池同轴图像间接检测珠高。研究表明，使用从同轴光学摄像机收集的熔池数据训练的 SVR 和 CNN 模型都可以准确预测珠高，平均绝对百分比误差分别为 3.67% 和 3.68%。 [DOI: 10.1115/1.4062800]
基于物理的波纹翅片潜热储能系统建模与数据驱动优化
研究了相变材料在带有波纹翅片的矩形外壳中的固液相变。采用基于物理的模型，探索了翅片长度、厚度和波幅对热场和流体流场的影响。将翅片纳入热能存储系统可增加传热表面积和热穿透深度，从而加速熔化过程。波纹翅片比直翅片产生更多的流动扰动，从而提高熔化性能。更长更厚的翅片可提高熔化速度、平均温度和热能存储容量。然而，翅片厚度对热特性的影响似乎微不足道。较大的翅片波幅会增加传热表面积，但会破坏自然对流，从而减慢熔化前沿的进程。开发了一种基于人工神经网络和粒子群优化的替代模型来优化翅片几何形状。与平面翅片相比，优化后的几何形状使每单位质量的热能存储提高了 43%。数据驱动模型预测的液体分数与基于物理的模型的差异小于 1%。所提出的方法提供了对系统行为的全面理解，并有助于热能存储系统的设计。
考虑最优服务恢复的综合能源系统数据驱动可靠性评估
环境保护和能源利用转型的需求推动了综合能源系统（IES）的快速发展。可靠性评估是设计IES的基本要素，因为它可以指导IES的规划和运行。本研究提出了一种新的数据驱动的可靠性改进和评估方法，考虑了三状态可靠性模型和最优服务恢复模型（OSR）。首先，引入多能量流模型并线性化以降低计算复杂度。接下来，开发了一个三状态可靠性模型，考虑了过渡过程和部分故障模式。此外，建立了最优服务恢复模型以确定最佳维修时机以最小化负荷削减，并开发了一种数据驱动的可靠性评估方法，该方法集成了OSR并使用智能电表的历史测量数据对随机状态转换过程进行建模。最后，在测试IES上测试了所提出的可靠性评估方法，数值结果验证了其在评估IES可靠性和提高整体可靠性方面的有效性。
快速变化的运行条件下孤立电力系统的数据驱动能源管理
我们提出了一种能源管理算法，用于集成不确定的可再生能源发电和能源存储的孤立工业电力系统。所提出的策略旨在通过管理电网中的能源流来确保可持续且具有成本效益的运营，其结构可以应对：（1）高水平的可再生能源渗透，以及（2）以非平滑模式和不规则事件为特征的负载曲线（即，诸如由大型设备的连接/断开或大风速斜坡引起的事件）。所提出的算法利用随机经济模型预测控制 (MPC) 方案，能够同时处理本地发电机组的调度和调度。更准确地说，该方案嵌入了混合整数线性规划 (MILP) 最优控制策略制定和随机规划方法。此外，优化问题考虑了多个技术经济目标，例如最小化运营成本、电池退化和未利用的能源。我们在一个孤立的海上石油和天然气平台的案例研究中测试了该算法，该平台使用传统燃气轮机和当地风电场在现场生产能源，同时集成了电池储能