利用数据与物理的协同增强预测模型的泛化性
机器学习
2022-01-12 v1
摘要
风电场需要用于预测性维护的预测模型。需要预测超出可用数据所反映范围的不可观测参数值。为一台机器开发的预测模型可能在另一台相似机器上表现不佳。这通常是由于数据驱动模型缺乏泛化性。为增加预测模型的泛化性，本研究将数据挖掘与第一性原理知识相集成。基于物理的原理通过特征工程、强规则和分而治之与机器学习算法结合。所提出的协同概念通过风机叶片结冰预测加以说明，并在不同涡轮机间实现了显著的预测精度。所提出的流程因其简单和高效而被风能预测性维护从业者广泛接受。此外，本文展示了在机器学习过程中嵌入物理原理的重要性，并强调了一个要点：工业大数据挖掘中对更复杂机器学习算法的需求通常远少于其他应用，使得融入物理并遵循“少即是多”哲学至关重要。
引用
@article{arxiv.2105.01429,
title = {Enhancing Generalizability of Predictive Models with Synergy of Data and Physics},
author = {Yingjun Shen and Zhe Song and Andrew Kusiak},
journal= {arXiv preprint arXiv:2105.01429},
year = {2022}
}
备注
9 pages, 10 figures