Компьютерные науки > Машинное обучение [представлено 20 октября 2026 года] Название: Физически-изменимое глубокое изучение для интенсивного диагностирования в системах промышленных потоков флюидов (экспериментальное) резюме PDF HTML: Системы переноса жидкостей в промышленности контролируются с помощью различных потоков зондирования, однако надежная диагностика неисправностей попрежнему затруднена изза различий в условиях работы и отличий от физических переменных в скорости отбора проб, продолжительности наблюдений и степени гранулярности данных. Для решения этих проблем мы предлагаем создать физкультурно-различную систему глубокого обучения (ФГИНЕТ) для надежного диагностики неисправностей в условиях неоднородности выборки в реальном мире. PhyNet рассматривает физические переменные как глобальные операционные ограничения и сигналы реагирования в качестве местных диагностических данных. Его механизм взаимодействия между физическими и ответными элементами соединяет физически изменяющиеся символы на уровне последовательности с обучаемым глобальным знаком реагирования, что позволяет осуществлять взаимодействие без жесткой временной увязки. В рамках четырех контрольных показателей, включая три реальных набора данных о кавитации в мире и один набор открытых двухфазных данных, PhyNet достигает наилучших результатов по всем оцениваемым параметрам. Анализы по классам, а также анализы внимания и маскировки свидетельствуют об улучшении дискриминации двусмысленных государств и указывают…
Физическое и наглядное глубокое обучение интенсивному диагностированию в системах транспортировки промышленных флюидов
arXiv: 261 020.27891v1 Тип уведомления: перекрестное резюме: мониторинг систем транспортировки промышленных жидкостей осуществляется с помощью разнородных потоков зондирования, однако надежная диагностика неисправностей по-прежнему затруднена в силу того, что сигналы реагирования варьируются от эксплуатационных условий и отличаются от физических переменных частотой отбора проб, продолжительностью наблюдений и гранулярностью данных. Для решения этих проблем мы предлагаем создать физкультурно-различную систему глубокого обучения (ФГИНЕТ) для надежного диагностики неисправностей в условиях неоднородности выборки в реальном мире. PhyNet рассматривает физические переменные как глобальные операционные ограничения и сигналы реагирования в качестве местных диагностических данных. Его механизм взаимодействия между физическими и ответными элементами соединяет физически изменяющиеся символы на уровне последовательности с обучаемым глобальным знаком реагирования, что позволяет осуществлять взаимодействие без жесткой временной увязки. В рамках четырех контрольных показателей, включая три реальных набора данных о кавитации в мире и один набор открытых двухфазных данных, PhyNet достигает наилучших результатов по всем оцениваемым параметрам. Класс...
