XiaoMi-AI文件搜索系统
World File Search System处理机
处理机器学习中的数据不平衡
●偏差：不平衡的数据可能导致模型偏差，其中模型对多数类的影响过高。可能难以对少数群体做出准确的预测。●高准确性，低性能：对数据不平衡训练的模型似乎具有很高的准确性，但在少数族裔阶层上的表现可能很差，这通常是更大的兴趣。●错过的见解：数据不平衡会导致少数群体中存在重要的见解和模式的丧失，从而导致错过的机会或关键错误。●错过欺诈或疾病的例子可能非常昂贵！
bdt：一种处理机器中数据不平衡数据的新方法
摘要：在机器学习和数据科学领域中，数据集的不平衡问题提出了一个重大挑战，通常会导致偏见的模型和不准确的预测。这项研究引入了一种旨在减轻数据不平衡影响的新技术，从而增强了各种指标的模型性能。通过严格检查现有的不平衡校正方法，本研究确定了关键差距，并提出了一种创新方法：平衡数据技术（BDT），将不足的采样，过度抽样和算法调整方法结合在一起。在多个不平衡数据集中采用全面的实验设置，与既定方法相比，该技术表现出了卓越的性能，这可以提高准确性，精度和召回分数。本文详细介绍了从理论基础到实际实施和测试的技术的开发过程。这项研究的含义是深远的，为数据不平衡的领域提供了潜在的改进。通过解决这个基本问题，该提出的技术有助于进步更公平，更有效的机器学习模型。
用于可观测量计算的量子信息处理机
90095，美国 关键词：相干性作为逻辑变量；半导体胶体量子点；量子信息处理；二维电子光谱；李代数动力学；奇异值分解 *通讯作者：Raphael Levine，Raphy@mail.huji.ac.il
用于可观测量计算的量子信息处理机
90095，美国 关键词：相干性作为逻辑变量；半导体胶体量子点；量子信息处理；二维电子光谱；李代数动力学；奇异值分解 *通讯作者：Raphael Levine，Raphy@mail.huji.ac.il；Francoise Remacle，fremacle@uliege.be
空气处理机组 - 大金欧洲
› 最大程度提高能源效率和室内空气质量 › 广泛的功能和选项 › 高品质组件 › 创新技术：独特功能和先进技术，可快速收回成本 › 运行高效，节能 › 卓越的可靠性和性能 › 可用于各种应用，包括空调应用、工业型工艺冷却和大规模区域热源系统 › 即插即用概念，易于安装和调试 › 独特的大金新风套件可用于将 AHU 连接到 VRV 或 ERQ 认证
空气处理机组和变风量箱故障检测工具现场测试结果
摘要 建筑供暖、通风和空调 (HVAC) 设备经常无法满足设计时所设想的性能预期。此类故障通常会在很长一段时间内被忽视。此外，人们对各种不同且往往相互冲突的性能指标的组合寄予了更高的期望，例如能源效率、室内空气质量、舒适度、可靠性、限制公用设施的峰值需求等。为了满足这些期望，商业和住宅建筑中使用的流程、系统和设备正变得越来越复杂。这一发展既需要使用自动诊断来确保无故障运行，又通过提供强大且足够灵活的分布式平台来执行故障检测和诊断 (FDD)，从而为各种建筑系统提供诊断功能。本报告中描述的研究工作的目的是开发、测试和演示可以检测空气处理单元 (AHU) 和变风量 (VAV) 箱中常见机械故障和控制错误的 FDD 方法。这些工具的设计足够简单，可以嵌入到商业楼宇自动化和控制系统中，并且仅依赖于这些系统中常见的传感器数据和控制信号。AHU 性能评估规则 (APAR) 是一种诊断工具，它使用一组源自质量和能量平衡的专家规则来检测 f
基于自动故障检测和诊断的空气处理机组数字孪生预测性维护框架
建筑行业是全球能源消耗最多的行业，因此成为能源效率举措的优先事项。供暖、通风和空调 (HVAC) 系统是建筑物的核心。稳定的空气处理机组 (AHU) 运行对于确保高效率和延长 HVAC 系统的使用寿命至关重要。本研究提出了 AHU 的数字孪生预测性维护框架，以克服目前在建筑物中使用的设施维护管理 (FMM) 系统的局限性。数字孪生技术在设施管理行业中仍处于起步阶段，它使用建筑信息模型 (BIM)、物联网 (IoT) 和语义技术为建筑设施制定更好的维护策略。实施预测性维护框架需要三个模块：基于 APAR（空气处理机组性能评估规则）方法的 AHU 运行故障检测、使用机器学习技术的状态预测以及维护计划。此外，在挪威一栋教育建筑的真实案例研究中，对所提出的框架进行了测试，使用 2019 年 8 月至 2021 年 10 月之间的数据，以验证该方法的可行性。还通过 FM 系统获取了检查信息和以前的维护记录。结果表明，不断更新的数据结合 APAR 和机器学习算法可以检测故障并预测空气处理系统的未来状态
基于自动故障检测和诊断的空气处理机组数字孪生预测性维护框架
建筑行业是全球能源消耗最多的行业，因此成为节能举措的重点。供暖、通风和空调 (HVAC) 系统是建筑的核心。稳定的空气处理机组 (AHU) 运行对于确保高效率和延长 HVAC 系统的使用寿命至关重要。本研究提出了 AHU 的数字孪生预测性维护框架，以克服目前在建筑中使用的设施维护管理 (FMM) 系统的局限性。数字孪生技术在设施管理行业仍处于起步阶段，它使用建筑信息模型 (BIM)、物联网 (IoT) 和语义技术来为建筑设施制定更好的维护策略。实施三个模块来执行预测性维护框架：基于 APAR（空气处理单元性能评估规则）方法的 AHU 运行故障检测、使用机器学习技术进行状态预测和维护计划。此外，在挪威一栋教育建筑中使用 2019 年 8 月至 2021 年 10 月之间的数据对所提出的框架进行了实际案例研究，以验证该方法的可行性。还通过 FM 系统获取检查信息和以前的维护记录。结果表明，不断更新的数据与 APAR 和机器学习算法相结合可以检测故障并预测空气处理单元 (AHU) 组件的未来状态，这可能有助于维护计划。消除检测到的操作故障可每年节省数千美元的能源，因为消除了已识别的操作故障。� 2022 作者。由 Elsevier B.V. 出版。这是一篇根据 CC BY 许可开放获取的文章 ( http://creativecommons.org/licenses/by/4.0/ )。
空气处理机组控制器 - 江森自控
AHU 控制器不需要以传统方式进行编程。相反，控制算法和输入/输出点分配是使用 HVAC PRO for Windows 软件工具配置的。HVAC PRO for Windows 在笔记本电脑上运行，该笔记本电脑直接插入 AHU 控制器或插入连接的 Metastat 房间传感器的电话插孔。这些插孔通过称为区域总线的 3 线电缆重新连接到 AHU 控制器。加载到 AHU 控制器中的程序保存在非易失性 EEPROM 内存中，因此断电后无需重新加载软件。