XiaoMi-AI文件搜索系统
World File Search SystemPredictive
使用共形预测进行预测的机器学习...
本论文是与 Knowit、¨ Ostrand & Hansen 和 Orkla 合作完成的。旨在探索机器学习和深度学习模型与保形预测在 Orkla 预测性维护情况下的应用。预测性维护在许多工业制造场景中都至关重要。它可以帮助减少机器停机时间、提高设备可靠性并节省不必要的成本。在本论文中，各种机器学习和深度学习模型（包括决策树、随机森林、支持向量回归、梯度提升和长短期记忆）都应用于现实世界的预测性维护数据集。Orkla 数据集最初计划在本论文项目中使用。然而，由于遇到一些挑战和时间限制，我们选择了一个具有类似数据结构的 NASA C-MAPSS 数据集来研究如何应用机器学习模型来预测制造业的剩余使用寿命 (RUL)。此外，最近开发的用于测量机器学习模型预测不确定性的框架共形预测也被集成到模型中，以实现更可靠的 RUL 预测。论文项目结果表明，具有共形预测的机器学习和深度学习模型都可以更接近真实 RUL 预测 RUL，而 LSTM 的表现优于机器学习模型。此外，共形预测区间提供了有关预测不确定性的丰富而可靠的信息，这有助于提前通知工厂人员采取必要的维护措施。总体而言，本论文证明了在预测性维护情况下利用具有共形预测的机器学习和深度学习模型的有效性。此外，基于 NASA 数据集的建模结果，讨论了如何将这些经验转移到 Orkla 数据中，以便将来进行 RUL 预测的一些见解。关键词 机器学习、深度学习、不确定性估计、共形预测、预测性维护、RUL、概率预测、决策树、随机森林、支持向量回归、梯度提升、LSTM。
手术中的预测分析和人工智能
预测分析和人工智能 (AI) 正在世界各地的医院中应用，以协助临床决策支持、与患者讨论某些程序的风险以及识别临床状况正在恶化的患者。研究人员正在使用大量数据和机器学习的最新进展来提高手术质量和患者结果。外科手术结果俱乐部是一个由外科医生和卫生服务研究人员组成的联盟，他们推动外科手术结果研究的科学发展，该俱乐部在 2022 年会议上召集了一个由 4 名专家组成的小组，他们重点介绍了他们在外科研究中使用预测分析和人工智能的研究和经验。讨论了外科手术中人工智能的三个主要领域：计算机视觉、护理点的数字化转型和电子健康记录数据。他们讨论了外科手术中人工智能这些领域的机遇和风险，在本观点中，我们将进一步讨论。
利用数据利用和预测分析
摘要 信息技术的进步推动了组织和个人生成的数据量和多样性的指数级增长。在这个时代，数据科学已成为揭示数据中隐藏模式的重要学科，从而促进更智能的决策过程。本文全面、最新地概述了数据科学应用中的挑战和机遇，特别关注 PLS（偏最小二乘）分析方法。通过 SmartPLS 应用程序实施的 PLS 方法将偏路径分析与偏最小二乘技术相结合，并已成为数据科学领域分析复杂结构模型的首选方法。本研究深入探讨了 PLS 在处理多样化和复杂数据集方面的实际应用和优势，并阐明了实施过程中遇到的潜在障碍。通过研究方法的优势并解决与 PLS 相关的挑战，本文旨在为寻求利用此方法和 SmartPLS 应用程序增强数据分析和明智决策的研究人员和从业者提供宝贵的见解。关键词：数据驱动创新、预测分析、决策支持系统 1. 简介
美国军方的预测性维护 - Cloudera
海军最近面临着令人担忧的舰船维护赤字问题。2019 年至 2020 年期间，海军面临 10 亿美元的舰船维修缺口，导致必要的维护工作被推迟，预定的维护期也推迟了。3 例如，濒海战斗舰 (LCS) 经常会因为意外的维护成本和高昂的承包商费用而面临长达两个多月的延误。4 在某些情况下，即使是非常小的不可预见的维护问题也会导致长时间的延误，因为造船厂工人要等待批准。舰队部队舰队司令克里斯·格雷迪上将在 2020 年 9 月的舰队维护和现代化研讨会上表示：“如果我们要寻找改进的地方，那么这些研究都得出了相同的结论：舰队战备的最大阻碍因素是造船厂的维护和现代化绩效。”“我们必须做得更好。”5
预测十字路口的数字孪生景观...
在过去十年中，数字孪生的概念迅速流行起来，但尽管有大量的评论、调查和新闻稿，但围绕其定义的多样性、其作为新技术的新颖性以及其实际适用性仍然存在混淆。本文探讨了数字孪生一词的历史，以及它在产品生命周期管理、资产维护和设备车队管理、运营和规划领域的初始背景。本文还基于七个基本要素，提供了利用数字孪生的最小可行框架的定义。本文还概述了采用数字孪生方法的数字孪生应用和行业。本文重点介绍了数字孪生框架在预测性维护领域的应用，以及利用机器学习和基于物理的建模进行的扩展。采用机器学习和基于物理的建模相结合的方式形成混合数字孪生框架，可以协同缓解每种方法单独使用时的缺点。另外讨论了在实践中实施数字孪生模型的关键挑战。随着数字孪生技术的快速发展和成熟，其在大幅增强复杂设备智能维护工具和解决方案方面的巨大潜力有望实现。
数据驱动的预测性维护模型方法...
结合基于物理/知识和数据驱动的方法进行 RUL 估计 Liao 和 Köttig (2016)，限定 RUL 估计不确定性的混合模型 Zhao 等人。(2013)，领域技术人员使用水管数据创建故障检测和预测模型 Li 和 Wang (2018)，并将基于知识的规则系统与数据驱动的方法相结合以对其进行改进 Cao 等人。(2020)。
用于预测的机器学习方法... - IRIS
摘要 预测性维护是与工业 4.0 相关的概念，工业 4.0 是第四次工业革命，它监控设备在正常运行期间的性能和状况以降低故障率。本文讨论了一种预测性维护策略，以减少住宅技术设备系统的机械和电气设备故障。所开发的策略可以保证基于机器学习系统的定制维护服务，在最长 3 年的时间内大幅减少故障。所开发的策略根据统计数据评估可接受的组件故障率，并将平均劳动力成本与每次维护操作的持续时间相结合。预测策略详细阐述了实现上述目标所需的最低成本增加。对罗马一个由 16 栋建筑和 911 套公寓组成的现代住宅区进行了为期 3 年的案例研究。特别是，分析考虑了为公寓以外的外部和公共区域供电的机械、电气和照明系统，以避免由于用户行为差异而导致数据扰动。通过大数据分析进行预测性维护管理的总体好处已被证明是住宅系统的机电设备等不同工厂整体运行的实质性改善。关键词：BIM环境，设施管理
神经外科的机器学习预测模型
achine学习（ML）算法可能具有增强神经外科实践的巨大希望，尤其是考虑到神经外科诊断和治疗范式的复杂性。1,2但是，越来越多的工作支持ML在临床医学中的作用，这些技术无法实现广泛的临床用途。采用的缓慢步伐已被认为是多种因素，其中反复强调了有关模型开发和缺乏外部验证的不良报告。2–6在响应中，诸如对个人预后或诊断的多变量预测模型（Tripod）报告指南的标准已经开发出来，并正在实现标准化作为未来论文的强制性要求。7,8最近，Marwaha等人。发表了一项研究，该研究评估了基于
人工智能供应链和预测性维护——......
许多组织难以分析和预测推动设备可用性和准备就绪所需的短期和长期供应链需求。用于收集、准备和分析设备健康数据的传统流程（包括手动检查表和数据聚合）非常耗时且容易出错。博思艾伦汉密尔顿开发了自动化预测性维护解决方案，该解决方案使用高级分析和人工智能 (AI) 来提高设备的准备就绪和可用性。自动化数据采集、准备和分析可释放资源以专注于情境分析和采取行动，同时不断提高决策所需的准确性、成本和时间。
自主驾驶的广义预测模型
环境，建立内部世界模型表示，做出决策并采取措施[9，50]。，尽管数十年来在学术界和工业上做出了巨大的努力，但他们的部署仍限于某些杂物或场景，并且不能在世界上无缝地应用。一个关键原因是在结构化自主驾驶系统中学习模型的概括能力有限。通常，感知模型会面临概括到不同环境的挑战，随着地理位置，传感器配置，天气条件，开放式对象等的变化。;预测和计划模型无法推广到具有罕见的sce narios和不同驾驶意图的非确定性期货[2，16，54]。是由人类学习如何感知和刺激世界的动机[27，28，49]，我们主张采用驾驶视频作为通用界面，将其推广到具有动态期货的各种环境。基于此，首选驱动视频预测模型以完全捕获有关驾驶场景的世界知识（图1）。通过预测未来，视频预测因子本质上了解了自主驾驶的两个重要方面：世界如何运作以及如何在野外安全地操纵。最近，社区已开始采用视频作为代表各种机器人任务的观察行为和行动的接口[11]。对于诸如经典视频预测和机器人技术等领域，视频背景大多是静态的，机器人的运动很慢，并且视频的分解很低。相比之下，对于驾驶场景 - iOS，它与室外环境高度斗争，代理人涵盖了更大的动作，以及涵盖众多视图的感觉分辨率。这些区别导致了自主驾驶应用的重大挑战。幸运的是，在驾驶领域中开发视频预测模型[4、15、19、23、23、25、33、38、45、47]。尽管在预测质量方面取得了令人鼓舞的进展，但这些尝试并未像经典的机器人任务（例如，操作）那样实现概括能力，仅限于有限的场景，例如流量密度低[4]的高速公路[4]和小型数据集[15，23，33，33，33，45，45，47]，或者在环境方面进行不同的条件，以使38个条件（33，45，47）的差异（33，45，47），以使3个条件（33，45，47）的差异（33，45，47），以使3个条件（33，45，47）的差异[3]（33，45，47），以下情况下的情况[3]（33，33，45，47），这是3次差异。如何揭示视频预测模型的驾驶潜力仍然很少探索。以上面的讨论为动机，我们旨在构建一个自动驾驶的视频预测模型，能够概括为新的条件和环境。为此，我们必须回答以下问题：（1）可以以可行且可扩展的方式获得哪些数据？（2）我们如何制定一个预测模型来捕获动态场景的复杂演化？（3）我们如何将（基础）模型应用于下游任务？