使用机器学习的分层能量特征用于汽车制造的运营可见性与诊断
机器学习
2024-02-27 v1
摘要
制造业能源消耗数据包含运营可见性和诊断所需的重要过程特征。这些特征可能具有不同的时间尺度，从月度到亚秒级分辨率。我们引入了一种分层机器学习方法，从涂装车间电力消耗数据中识别不同时间尺度（周和日）的汽车过程特征。使用多层感知器(MLP)、卷积神经网络(CNN)以及主成分分析(PCA)结合逻辑回归(LR)进行分析。我们与领域专家一起验证了所开发算法的实用性，用于(i)更好的运营可见性，以及(ii)识别节能机会。
引用
@article{arxiv.2402.15962,
title = {Hierarchical energy signatures using machine learning for operational visibility and diagnostics in automotive manufacturing},
author = {Ankur Verma and Seog-Chan Oh and Jorge Arinez and Soundar Kumara},
journal= {arXiv preprint arXiv:2402.15962},
year = {2024}
}
备注
5 pages, 4 figures