基于证据的规定性分析、因果数字孪生与一种学习估计算法
系统与控制
2021-04-14 v1 机器学习
系统与控制
摘要
基于证据的规定性分析（EbPA）对于确定将提升业务生产率的最优运行设定点是必要的。EbPA 源于在因果数字孪生（CDT）上进行的假设分析与反事实实验，CDT 量化了互联资产系统动态中的因果关系。我们描述因果性与因果图的基础，并开发一种学习型因果数字孪生（LCDT）方案；我们的算法使用带有若干创新修改的简单循环神经网络，这些修改融入了因果图仿真。由于 LCDT 是一种学习式数字孪生，其参数以最小预配置在线实时学习，部署数字孪生的工作将大幅简化。利用来自轴承系统的真实振动数据对 LCDT 进行了原理验证；因果因子估计、假设分析研究与反事实实验的结果令人鼓舞。
引用
@article{arxiv.2104.05828,
title = {Evidence-based Prescriptive Analytics, CAUSAL Digital Twin and a Learning Estimation Algorithm},
author = {PG Madhavan},
journal= {arXiv preprint arXiv:2104.05828},
year = {2021}
}