工业大数据论文阅读

今天看了很多论文，特别总结如下:
我的论文阅读模板 哈哈哈哈
通信单位 第一作者 通信作者
论文英文名
论文中文名
发表时间：
摘要：
如何引出引言问题：
最后一后一两段:
结论：
图表：
实验数据及规模：
实验过程
实验结果：
自己总结：
我的问题，问题:
为什么可以发表？创新点？
看看论文中遇到的概念：

阅读论文方法模板

华东理工大学 教育部国家重点实验室的先进控制和优化 Qingchao Jiang
Local–Global Modeling and Distributed Computing Framework for Nonlinear Plant-Wide Process Monitoring With Industrial Big Data
工业大数据非线性工厂范围过程监控局部-全球建模和分布式计算框架
摘要：
工业大数据和复杂的过程非线性给全厂过程监控带来了新的挑战。为实现非线性全厂过程的有效故障检测和隔离，本文提出了局部-全局建模和分布式计算框架。首先，使用堆叠式自动编码器提取每个局部过程单元的主要特征，并建立局部内部监控器。二是互信息（MI）用于确定局部单元的邻域变量？。然后在当地单位和邻域变量之间进行联合表示学习，提取外部相关表示，并为当地单位建立外部相关监最后，所有工艺单元的外部表示都用于建立全球监控系统。每个单元的建模可以单独执行，可以使用不同的建模CPU有效地完成计算过程。在田纳西州伊士曼应用建模和监测方法 (TE) 该方法的可行性和实验室规模的甘油蒸馏过程得到了验证
如何引出引言问题：
最后一后一两段:
本文结合深度，提出了数据驱动的分布式非线性过程监控框架CCA（DCCA）和分布式计算技术。本工作的主要贡献可总结如下。首先，为实现对整个工业工厂流程的有效监控，提出了局部-全球建模框架。其次，提出了降低建模过程中计算成本的分布式建模和计算策略。第三，从理论上分析了该方法的特点。通过对田纳西-伊斯曼（TE）基准蒸馏过程和实验室规模蒸馏过程的实验研究说明了该方法的有效性。
结论：
本文提出了利用工业大数据有效监控工厂范围内非线性过程的局部-全球建模和分布式计算框架。 基于分布式监控框架的结合 SAE 的 DNN 基于当地单位的复杂变量关系，表征本地单位的复杂变量关系 MI 相关变量的选择和 DCCA 神经网络表示当地单位与相邻单位的关系。 为了建立全球监控模型，生成各单元的外部相关表示。鉴于分布式监控框架仅涉及当地和相邻单元的信息，建模任务可以使用不同的信息 CPU 划分和完成，以提高计算效率。提出的分布式监控框架是 TE 在乙二醇蒸馏乙二醇蒸馏过程中进行了测试，监测结果验证了其有效性。
值得注意的是，目前的工作是对非线性全厂过程监测的初步研究。以下问题应进一步讨论。
本工作仅关注大规模过程的故障检测和隔离。在未来的研究中可以进行故障诊断和故障路径识别。
当前工作不处理时，变相关性。变量相关性一旦随时间变化，就需要额外讨论随时间变化的情况。
本研究仅使用传统传感器获得的测量值。多源异构信号（如照片、视频和音频）已在工业数据中使用，因为先进传感技术的广泛应用。正在研究多源信号的集成和不同数据源的提取。
图表：

自己总结：
工业大数据局部全局故障检测，可分块进行全局故障检测；同时分布式计算，提高计算效率；
看看论文中遇到的概念
故障诊断与故障检测的区别
故障检测(Fault Detection)：实时监控过程数据，判断是否有故障。
故障诊断(Fault Diagnosis)：确定故障类型、数量级、位置和时间。
故障检测与隔离（Fault detection and isolation，FDI）它是控制工程的子领域，主要是监控系统，可以识别故障，并准确指出故障的类型和位置。

北航大学自动化科学与电气工程学院 Lei Ren
A Data-Driven Approach of Product Quality Prediction for Complex Production Systems
复杂生产系统产品质量预测的数据驱动方法

摘要：
在现代工业中，信息通过先进的网络技术充分共享了生产设备、智能子系统和移动设备。因此，在复杂的工业物联网系统中，工厂范围内的性能评估（如产品质量预测）受到了广泛的关注。本文提出了基于半监督的平行deepFM软测量模型产品质量预测方法。首先，提出了一种从未在样本中添加标签广播方法。然后，引入数据块离散过程变量以获得无偏估计。基于改进的deepFM在获得高维和低维特征的同时，模型可以从模型的不同部分提取质量信息。将流形正则化嵌入反向传播算法，进一步解决未标记样本的问题 问题。真实数据集中的实验证明了该方法的有效性和性能
如何引出引言问题：
实验室分析效率低。在实际过程中，质量变量的采样率远低于过程变量，导致未标记样本多，标记样本少。
半监督学习可以用来解决这个问题；
或者VAE或GAN训练前生成带标记的样本；
现有困难：
1） 标签样本不足，精度问题；
2） 能力有限的浅层模型不适合从海量数据中提取非线性关系；
3） 极限学习机和生成模型需要占用更多的内存和时间；
最后一后一两段:
近年来，基于神经网络的基础（NN）该模型因其在海量数据中探索复杂非线性关系的优势而受到关注[16]–[20]。DeepFM由因子分解机（FM）组件和deep组件组成是基于监督神经网络的模型[21]。DeepFM从未应用于工业领域，也从未转化为半监督学习模式。本文提出了软测量应用的并行基础deepFM模型的数据驱动方法。该方法包括标记样本增强的标签 广播（LB）方法、用于数据离散化的数据分块方法以及修改为并行样式的半监督deepFM模型。作为作为一种基于图形的半监督学习方法deepFM模型被赋予额外的流行正则化MR项目的目标函数有助于解决未标记样本的问题。
结论：
本文提出了基于半监督的平行deepFM软传感器数据驱动方法。标签广播方法通过扩展标记样本，有效解决了未标记样本的问题。提出了一个基于ChiMerge算法和FM分量的低维特征提取方法。利用该模型从深层分量中发现的高维特征，可以更好地揭示输入变量与输出变量之间的内部非线性关系。
图表：

自己总结：
辅助建模未标记的质量样本
看看论文中遇到的概念
软测量：估计复杂工业过程中不可测或难以测量的重要变量，前提是难以测量。样本不能立即获得指标，或标签较少或测量成本较高。
有一个问题，厚板冷却后立即测量，因此该指标不能立即获得（会议咨询王先生）。
内积：

中国电子科技大学， Xiaokang Wang
ADTT: A Highly Ef?cient Distributed Tensor-Train Decomposition Method for IIoT Big Data
ADTT：一种高效的IIoT大数据分布式张量序列分解方法
摘要：
由于智能传感器、仪器和设备以及使用有线或无线网络的软件的不断部署和集成，工业物联网（IIoT）快速增长。通过这种集成硬件-软件方法，工业实践将得到显著改进，从而为更高效的制造提供工业智能。为了实现这种工业智能化，需要在IIoT为了发现和利用生产过程中隐藏的必要和有价值的信息，大数据处理和分析取得了重大进展。但来自生产过程的大规模、流式传输和多属性IIoT数据有噪声和冗余。因此，有必要能够处理这些问题IIoT适当的数据处理技术，如张量列。然而，现有的张量列分解方法效率低下，满足大规模要求IIoT处理大数据的要求。本文提出了一种改进高效的分布式张量列分解方法及其增量计算方法IIoT大数据。最后，在一个典型的中IIoT为了验证和测量所提到的方法的性能，对数据集-方位测试数据进行了实验。
如何引出引言问题：
最后一后一两段:
结论：
图表：
自己总结：
提高大数据计算效率
看看论文中遇到的概念：
4山东大学 Xufeng Hu
A Novel Two-Stage Unsupervised Fault Recognition Framework Combining Feature Extraction and Fuzzy Clustering for Collaborative AioT
基于特征提取和模糊聚类的协调AIoT两阶段无监督故障识别框架
摘要：
目前，随着物联网（IoTs）和人工智能的发展，一种称为物联网人工智能（AIoTs）新的物联网结构开始发挥作用。随着AIoT积累了大量未标记的行业大数据。对诊断人员来说，分析大量未标记的数据是劳动密集型和耗时的。为了改善这种情况，本文提出了一种新的两阶段无监督故障识别算法，即深度自适应模糊聚类算法（DAFC）。DAFC堆叠稀疏的自动编码器（SSAE）融入自适应加权Gath–Geva（AWGG）无监督故障识别框架形成在聚类分析中，不标记工业大数据。SSAE高度抽象的特征可以从原始数据中提取，不同的无监督策略可以分两个阶段微调网络。AWGG是Gath–Geva在不预设聚类数的情况下，聚类的改进可以自适应地获得最佳的聚类结果。两个不同数据集中的实验结果表明，该算法可以稳定地从未标记过的数据中提取故障特征，并自动获得最佳聚类结果，而不提前知道聚类数。据我们所知，本文首次尝试以无监督的方式对待它SSAE对无监督的故障识别框架进行微调，不需要任何先验知识或数据标签。DAFC它是一个可行的工业大数据应用程序，用于协作AIoT。通过以下方式分析诊断人员获得的聚类结果DAFC它取代了原始的未标记数据，大大节省了时间和劳动力成本。
引言如何引出问题：
最后一后一两段:
结论：
本文提出了一种新颖的两阶段无监督故障识别框架，称为 DAFC。 DAFC 将 SSAE 合并到 AWGG 在没有监督的故障识别框架中，形成了无监督的故障识别框架记的工业大数据进行聚类分析。 SSAE可以提取原始数据的高度抽象特征，并采用不同的无监督策略分两个阶段对网络进行微调。 AWGG无需预先设置聚类数，就可以自适应地得到最优的聚类结果。 与几种特征提取方法和模糊聚类方法相比，两个数据集的实验结果表明，DAFC能够稳定地从未标记的数据中提取故障特征，并能自动获得最优的聚类结果。 诊断人员可以利用DAFC得到的聚类结果进行故障分析，大大减少工作量，节省时间。
随着 AIoT 的发展，通过各种传感器收集的各类信息呈指数级增长，其中大部分是未标记的。 此外，由于物联网中的很多设备都是资源受限的，即计算能力有限，因此需要不需要高计算能力的机器学习算法来分析大量未标记的数据。 在两个公共数据集上的实验结果表明，本文提出的 DAFC 可以有效地分析未标记的数据，并且在有限的计算能力下，模型的运行时间在可接受的范围内。 因此，DAFC是一种可行的协同AIoT工业大数据应用。
一般来说，许多机械设备只在单一的工作状态下运行，没有一定的故障。 因此，收集的振动数据可能只有一种健康状况。 然而，DAFC 算法将数据分为至少两类，导致聚类错误。 因此，鉴于这种情况，未来工作的重点是在用DAFC算法进行聚类之前，找到一种合适的方法来确定要分析的数据是否具有多种健康状况。
图表：

自己总结：
解决未标记数据，聚类进行故障分类；
论文我的疑问，问题：
针对提前已知的故障类别，可以聚成对应的类，可是如果不知道呢？比如论文中的第二个实验有8类，但是我怎么可以确定就聚成8类呢？

看论文中遇到的概念：
5印度德里科技大学 Akshi Kumar
A Deep Swarm-Optimized Model for Leveraging Industrial Data Analytics in Cognitive Manufacturing
认知制造中利用工业数据分析的深度群优化模型
摘要：
为了在当前的数据驱动型经济中竞争，工业制造商必须利用实时有形信息资产并采用大数据技术。数据分类是认知能力制造业中最广为人知的分析技术之一，用于在工厂、企业和行业级别的结构化和非结构化数据中查找模式。本文介绍了一种认知驱动的分析模型 CNN-WSADT，用于使用三种软计算技术进行实时数据分类，即深度学习 [卷积神经网络 (CNN)]、机器学习 [决策树 (DT)]、和群体智能 [狼搜索算法 (WSA)]。所提出的深度群优化分类器是一个特征增强的 DT，它使用深度卷积网络学习特征和使用元启发式 WSA 构建的最优特征集。在两个基准数据集上研究了 CNN-WSADT 的性能，实验结果表明，所提出的认知模型在分类精度方面优于其他考虑的算法。
引言如何引出问题：

引言最后一二段：
DT 有可能达到局部最优解，因为它是一种自上而下的算法，采用分而治之的方法。训练数据的过度拟合会对技术的建模能力产生负面影响，并降低预测准确性。基于种群的元启发式算法，尤其是受自然启发的元启发式算法，已经帮助解决了不同的优化问题，并在许多应用中成功地用于特征选择。我们之前在这个方向上的研究报告了使用基于群体的元启发式优化来进行最佳特征选择，以提高情感分类的准确性 [9]、[10]。该研究还表明，DT 在准确度增益方面与 SVM 相当，但在选择的特征数量上显着减少，优于 SVM。因此，在本文中，为了生成最优特征集，我们首先使用常规的词频-逆文档频率 (TF-IDF) 特征提取，然后使用元启发式优化算法 WSA 来选择最相关的特征集。 WSA 模仿狼寻找食物、生存和躲避敌人的方式。 WSA同时具备个体局部搜索能力和自主植绒运动[11]。也就是说，每只狼都是一个独立的猎手，有自己的行为，只有在同伴处于其视野范围内的优越位置时才加入同伴。 WSA 背后的假设是，它不是通过形成一个单一的群体/群体来寻找一个方向的最佳解决方案，而是考虑许多领导者从多个方向蜂拥而至找到最佳解决方案。此外，为了避免陷入局部最优，随机添加对应于每只狼的猎人（威胁/敌人）的出现，以便狼逃离猎人的视线范围，以在搜索空间内寻求更好的解决方案。
因此，在所提出的 CNN-WSADT 模型中，DT 是使用通过组合 CNN 训练的特征和 WSA 优化的特征向量获得的增强特征向量来训练的。该模型在两个基准数据集 SemEval 2016 (DSI)1 和 SemEval 2017 (DS-II)2 上进行评估。实验表明，所提出的深度群体优化模型具有优越的情感分类精度。
结论：
认知制造使组织能够积极使用高级分析来理解、推理和学习流程、人员和操作。协同创造和用户体验定义了这种新兴的制造模式，在这种模式下，“智能”工厂不可否认地应该能够满足生产需求并提供客户满意度。基于此，本文提出了一种新的认知驱动的数据分类模型，该模型将预测分析能力嵌入到核心制造任务中，以实现实时价值创造。本文提出的实时情绪分类混合模型使用CNN和WSA DT在两个基准Twitter数据集上进行训练和验证。组合的最优特征向量生成了一个优越的学习模型，在两个数据集上的平均准确率均为89.5%。最终，测量用户生成的大数据将允许学习上下文，并促进大规模个性化的认知设计。此外，该模型增加了一层可解释性，其作为可解释人工智能解决方案的前景需要进一步讨论。CNN+WSADT是一个很有前途的发展方向，它可以用于实现编程模型中的分类算法，如MapReduce，以实现并行处理，从而解决管理大规模流式数据集的硬件和通信开销问题。
图表：

实验数据及规模：
SemEval 2016 情感分类数据集，其详细链接如下所示：
https://alt.qcri.org/semeval2016/index.php?id=tasks
实验结果：

自己总结：
实时分析；该论文就是CNN+决策树+WSA怎么就可以发呢？
我觉得这篇论文一般；
这篇论文使用的数据集？怎么会有词嵌入？
看论文中遇到的概念：
认知制造：利用嵌入式认知推理和分布式智能代理，赋予工业制造系统感知和判断能力，从而感知生产过程变化，响应生产环节动态波动，控制生产成本和生产率水平，追踪能源损耗强度和产品碳足迹，提升产品生产过程的可持续性。认识制造是对计算机辅助生产控制过程的革新，对提升制造业发展水平具有重要发展应用前景。
将基于传感器的信息与机器学习以及其他人工智能能力相结合，从来自工厂、企业和工业系统的结构化与非结构化数据中寻找模式。它可实时汇总相关信息，并应用分析产生对制造流程前所未有的理解及洞察。它可以根据调查结果自动进行反应，为制造行业的决策者提供可行性信息和持续更新的知识。
详细参考链接如下：
http://www.sanzb114.com/info.asp?id=1478

6日本滋贺大学 Xiaokang Zhou
Variational LSTM Enhanced Anomaly Detection for Industrial Big Data
工业大数据的变分 LSTM 增强异常检测
摘要：
随着工业4.0人口的不断增加，工业大数据（IBD）已成为数字化和智能化工业领域的热门话题。大规模数据流信号处理中存在的安全问题仍然是工业物联网的一个挑战问题，尤其是在处理智能工业应用的高维异常检测时。在本文中，为了减轻不平衡 IBD 中降维和特征保留之间的不一致性，我们提出了一种基于重构特征表示的智能异常检测的变分长短期记忆 (VLSTM) 学习模型。与变分重新参数化方案相关的编码器-解码器神经网络旨在从高维原始数据中学习低维特征表示。定义和量化了三个损失函数，以将重构的隐藏变量约束为更明确和更有意义的形式。然后向轻量级估计网络馈送细化的特征表示以识别 IBD 中的异常。使用名为 UNSW-NB15 的公共 IBD 数据集的实验表明，所提出的 VLSTM 模型可以有效应对不平衡和高维问题，并根据 F1、曲线下面积 (AUC) 显着提高 IBD 异常检测的准确性并降低错误率, 和误报率 (FAR)。
引言如何引出问题：
引言最后一二段：
结论：
IBD：industrail big data
我们总结了我们的观察并讨论了为什么所提出的模型可以取得更好的结果并优于其他基线方法的原因如下。所提出的 VLSTM 模型主要由压缩网络和估计网络组成。压缩网络将高维原始数据编码为低维隐藏变量。得益于这种新设计的神经网络结构，它可以成功地在降低计算复杂度和保留异常检测的关键特征之间取得良好的平衡，如图 2 所示。损失函数的新颖设计，包括
在本文中，设计了一个 VLSTM 学习模型来解决不平衡和高维问题，该模型可应用于 IBD 环境中基于重构特征表示的智能异常检测。
我们引入了一个通用框架来实现 VLSTM 模型，该框架主要由压缩网络和估计网络组成。压缩网络的核心结构包括 LSTM 编码器模块、变分重新参数化模块和 LSTM 解码器模块，旨在减轻高维原始数据的复杂性，但不会丢失关键特征。提出了一种基于变分贝叶斯的重新参数化方案，用于重构隐藏变量用于低维特征表示。特别是，三个损失函数，即重建损失 L(i) recon、分类损失 L(i) μ 和散度损失 L(i) kl 被定义并无缝集成在一起，以将隐藏变量约束为更明确的和有意义的形式。然后构建馈送细化特征表示的轻量级估计网络以提供网络流量分类。为智能异常检测开发了一种学习算法。使用名为 UNSW-NB15 的开放数据集进行实验。评估结果表明，所提出的 VLSTM 模型可以显着增强特征提取，降低错误率，并在有效训练过程的基础上提高检测精度，从而表明我们的方法在 IBD 智能异常检测中的有用性。
在未来的研究中，我们意识到不平衡数据仍然是异常检测任务中的一个挑战。我们将研究更多的深度学习技术来调整我们的模型。将进行更多的评估和实验来改进我们的算法以处理更复杂的 IBD。
图表：

实验数据及规模：
为了研究所提出的 VLSTM 模型在 IBD 环境中的有效性，一个名为 UNSWNB15 的开放数据集用于比较评估。 UNSW-NB15 是由澳大利亚安全实验室使用 IXIA PerfectStrom 工具生成的，它结合了现代网络中真实的正常网络流量和人为攻击流量 [26]。 如表一所示，数据集中共有 42 个特征，分为四类：基本特征、内容特征、时间特征和额外生成的特征。 特别是，one-hot 编码用于某些特征（例如，内容特征）的数字化和归一化。 最后，总特征维度达到 196。
数据集中有九种异常，即模糊器、分析、后门、DOS、漏洞利用、通用、shellcode、侦察和蠕虫。 这个具有多种攻击类型的数据集使我们能够有效地评估所提出方法的 FAR。 详细描述和攻击次数见表二。
数据还存在不平衡；

实验结果：

自己总结：
100多个变量就叫高维了；
9个异常中，
看论文中遇到的概念：
新加坡南洋理工大学电气与电子工程学院合作 第一作者Jinlin Zhu 通讯作者 Jinlin Zhu Zhiqiang Ge
Scalable Soft Sensor for Nonlinear Industrial Big Data via Bagging Stochastic Variational Gaussian Processes
通过Bagging随机变分高斯过程时间非线性工业大数据的可拓展软传感器
发表时间：2021.08.08
摘要：
传统的高斯过程回归存在工业大数据的三次复杂度和过多的计算负担。为了摆脱这种缺陷，这项工作提出了一种可扩展的软传感器，称为装袋随机变分 GP 回归 (SVGPR)。我们首先在稀疏和变分近似框架内制定高斯过程。然后，引入随机变分推理（SVI）机制，可以显着打破非线性大数据建模的巨大障碍。此外，强加的自动相关性确定策略还将利用具有相关特征权重的模型可解释性。基于此，套袋机制通过组合一组分布式预测器来形成一个强大的集成模型。结果，增强了预测泛化性，同时也很好地保证了稳定性。 SVI 和 bagging 都允许并行部署。因此，开发了用于建模和推理的分布式图，以便 bagging SVGPR 可以有效且高效地探索大数据。对于案例研究演示，该方法首先在数值示例上进行了评估，然后应用于制氢装置的实时氧气预测。
引言如何引出问题：
引言最后一二段：
结论：
在这项工作中，开发了一种可扩展的高斯过程方法，用于非线性工业大数据的智能软传感器开发。所提出的可扩展框架同时存在于并行 SVI 和分布式 bagging 部署中。此外，合并的 ARD 方案采用稀疏表示进行相关特征确定。非线性数值例子和工业制氢装置的两个案例研究都表明，BSVGPR 在软传感关键变量方面比传统的同类产品更准确、更可靠。稳定的特征分数也使其在识别非线性定性关系以更好地理解和调节工业过程方面具有吸引力。因此，所提出的 BSVGPR 可以作为在大数据时代实现智能 PSE 的理想解决方案。
图表：

实验数据及规模：
对于回归，在近三个月的时间里，从工厂分布式控制系统中提取了总共 50 000 个样本。为了模型验证，还收集了另外 10 000 个样本作为测试集。我们已经考虑了诱导数据子集（inducing data subsets） M ={500, 1000, 2000 }
实验结果：

自己总结：
减轻计算的复杂性，模型增强泛化性、提高稳定性还具有重要变量解释性。
为什么能发表？创新点？
看论文中遇到的概念：
7华南理工大学 Ying Gao Ying Gao
A Real-Time Defect Detection Method for Digital Signal Processing of Industrial Inspection Applications
一种工业检测应用中数字信号处理的实时缺陷检测方法
发表时间：2021.5.5
摘要：
工业大数据(IBD)的信号处理由于工作场景复杂，缺乏注释，是一项具有挑战性的任务。缺陷检测是IBD研究工作的一个重要课题，在以往的许多研究中都显示了其在工业检测应用的数字信号处理中的有效性。本文提出了一种基于深度学习的用于工业检测应用中数字信号处理的缺陷检测方法。该方法采用特征收集与压缩网络模块对多尺度特征信息进行合并。然后，利用一种新的池化方法高斯加权池化来替代感兴趣区域(ROI)的池化。实验结果表明，该方法在精度和效率上都有提高，在NEUDET上为33fps时，mAP/AP50为41.8/80.2，满足了实时系统的要求。
引言如何引出问题：
引言最后一二段：
我们提出了一种基于深度学习的实时缺陷检测方法，用于工业检测应用的数字信号处理。根据缺陷数据的特点，采用轻量化的检测头来加快模型速度。
为了处理工业场景中的硬样本，提出了FCCN和GWP来丰富多尺度特征信息和精确位置信息。
我们进行实验来证明我们方法的有效性和通用性。

结论：
由于复杂的场景和缺乏精确的注释，IBD的数字信号处理仍然是一项具有挑战性的任务。在本文中，我们提出了一种基于深度学习的缺陷检测数字信号处理的方法。该模型以制造生产中捕捉到的可视化数据作为输入，输出缺陷的类别和位置。它是IBD的实际用途之一，用于质量控制系统，以减少金钱和时间成本。通过提供更多的多尺度特征信息和位置信息，该方法在NEU-DET上获得了较高的精度。
在DeepPCB上的实验结果表明，它在检测微小物体方面具有良好的性能。此外，它也是一种能够满足实时系统需求的有效方法。由于标记的昂贵成本，在缺陷数据集中只有少量的注释样本。这也是充分利用其他类型的IBD的障碍之一。在其他类型的数据(如ImageNet)上使用预先训练过的参数并不是一个很好的解决方案，因为工业视觉d之间有很大的差异。
图表：

实验数据及规模：
为了证明我们的方法的性能，我们对NEU-DET和DEepPCB这两个工业数据的检测数据集进行了评估。NEU-DET共包含1800张钢表面缺陷图像。在我们的实验中，1260张图像用于训练，另外540张图像用于测试。用NEU-DET标记了六种缺陷：卷入结屑、补丁、裂纹、凹点表面、夹杂物和划痕。DeepPCB包含1500对印刷电路板图像。一对由一个无缺陷的模板图像和一个有缺陷的图像组成。对于DeepPCB，1000张图像用于训练，500张用于测试。还有六种缺陷标记的缺陷：开放、短、鼠标咬、刺、针孔和假铜。在我们的实验中没有使用模板图像。图像的大小是600×600，图像被填充到。
实验过程：
预训练
数据增强
All implementations are based on PyTorch 1.2, Cuda 10.0, and cuDNN 7.
实验结果：

自己总结：
目标检测不就是可以显示每个样本重要的区域地方；
那么每个样本按说也可以显示每个变量的重要性和地方；
为什么能发表？创新点？
看论文中遇到的概念：
什么是消融实验（Ablation experiment）？
笔者第一次见到消融实验（Ablation experiment）这个概念是在论文《Faster R-CNN》中。消融实验类似于“控制变量法”。
假设在某目标检测系统中，使用了A，B，C，取得了不错的效果，但是这个时候你并不知道这不错的效果是由于A，B，C中哪一个起的作用，于是你保留A，B，移除C进行实验来看一下C在整个系统中所起的作用。
硬样本：
一般来说，Hard Sample对应着不平衡样本。试想，如果你的“Hard Sample”占比很大，Diversity很丰富，那么模型还学不好这些样本，就别找借口了，老老实实debug…原理上讲就是，如果Hard Sample很多，那么它们对于loss和gradient贡献都比较大，模型应该比较容易学好这些样本。
8圣弗朗西斯泽维尔大学 Zhenchao Ma
Support Multimode Tensor Machine for Multiple Classification on Industrial Big Data
支持多模态张量机对工业大数据进行多重分类
发表时间：2021.5.5
摘要：
有监督的机器学习算法，尤其是分类算法，已广泛应用于工业大数据的数据分析。其中，支持向量机（SVM）在图像处理、计算机视觉、模式识别等领域的二元分类中取得了巨大成功。然而，由于传统的基于向量和特征对齐的 SVM 算法可能导致结构信息和丰富的上下文信息丢失，SVM 无法对物理环境中数千个工业传感器生成的异构和高维数据取得理想的分类结果.虽然支持张量机 (STM) 将传统的基于向量的 SVM 扩展到了张量空间，但它无法处理多分类问题。因此，为异构和高维数据设计一种通用的多分类算法是一个具有挑战性但很有前途的课题。为了实现这一目标，本文提出了一种支持多模张量机（SMTM）算法，通过应用多模积来推广STM的公式。此外，本文提出了一种有效的算法来训练参数。在各种数据集上进行的实验验证了 SMTM 在多重分类中优于其他算法的性能，并暗示了所提出的模型在工业大数据多重分类中的潜力。
引言如何引出问题：
引言最后一二段：
结论：
随着物联网、智能制造和工业4.0的融合，智能工业为我们提供了机会和挑战，以获取工业大数据背后的、异构的、丰富的、有价值的深度高维信息。高维。在本文中，我们利用基于张量的表示模型的优势，提出了一种用于工业大数据多分类的 SMTM。为了验证SMTM对工业大数据的有效性，在数据集上进行了一系列实验。在所有实验中，所提出的 SMTM 优于 SVM 和 STM。此外，所提出的 SMTM 算法为用户提供了多种解决方案。这些结果表明，我们提出的方法表现出对工业大数据进行多重分类的潜力。此外，Matterport3D 图数据的结果表明，我们在行业聚合领域设计了一个有效的图分析框架。考虑到我们提出的算法的效率，未来可以做更多的工作。基于我们训练算法的可分离性，我们可以设计一套并行的训练算法来减少训练时间。另外，我们可以减少原始数据的冗余，从而提高算法的效率。
图表：
实验数据及规模：
它最终包含 90 个建筑物的 194 400 个 RGB-D 图像、10 800 个全景图像和 24 727 520 个带纹理的三角形。
实验过程
实验结果：
自己总结：
多分类问题；
SMTM是提出的基于张量的多分类框架。它有效地利用了张量空间中不同视图之间的相关性，也有效地实现了多重分类
为什么能发表？创新点？
看论文中遇到的概念：
9 北京航空航天大学 Lei Ren Lei Ren
A Data-Driven Auto-CNN-LSTM Prediction Model for Lithium-Ion Battery Remaining Useful Life
锂离子电池保持使用寿命的数据驱动自动cnn-LSTM预测模型
发表时间：2021.5.5
摘要：
引言如何引出问题：
引言最后一二段：
结论：
图表：
实验数据及规模：
实验过程
实验结果：
自己总结：
为什么能发表？创新点？
看论文中遇到的概念：

软测量 建模 领域综述
哈尔滨工业大学控制科学与工程系 Yuchen Jiang
A Review on Soft Sensors for Monitoring, Control, and Optimization of Industrial Processes
工业过程监控、控制和优化的软传感器综述
发表时间：2021.3.1
摘要：
在过去的二十年中，已经发表了许多与软传感器的设计和实施相关的研究成果。在现代工业过程中，使用了各种类型的软传感器，它们在过程监控、控制和优化中发挥着至关重要的作用。新兴的新理论、先进技术和信息基础设施使软传感的性能得到提升。然而，新的机遇伴随着新的挑战。这项工作受到这些观察的推动，旨在全面回顾自千年开始以来的发展。虽然在相关主题上发表了一些书籍和评论文章，但从系统和控制的角度来看，这项工作更多地关注最新进展。
结论：
本综述重点关注现代工业背景下软传感器设计和实现中的关键科学问题。基于对文献的详尽调查，它致力于将过去 20 年报告的研究联系起来，并回答 I-B 部分提出的研究问题。虽然这些问题会在相关时进行讨论，但主要在以下相应部分中讨论：Q1（III-B）； Q2 (IIIA, IV); Q3（五）； Q4 (IV, V-A); Q5（进步：在整个论文中讨论；挑战和未来方向：VI）。在未来十年及以后，除了努力克服上述挑战外，预计还会出现更多新颖的想法、更先进的技术和更广阔的平台，其中软传感在工业过程的监测、控制和优化中发挥着不可或缺的作用，更不用说在数字孪生中的使用了。软传感技术的未来注定是鼓舞人心和令人兴奋的，正如今天回顾过去一样。
综述就按照论文的撰写结构进行笔记
I 引言
A 术语
B 本文结构
II 相关的综述工作
III 软传感器的制造步骤
A 关键指标评估
B 通用过程
IV 常见问题及解决方案的进步
A 数据质量
B 变量和特征选择
C 模型选择和模型构建
D 软传感器的维护
如即时学习、增量学习、
V 最先进的软传感器应用
A 应用场景
1） 物理虚拟传感器
利用现有的传感器的数据创建一份虚拟的物理量代替该值；通过预测这个虚拟的物理量代替原有的传感器的测量值。
可以先利用这个传感器测量数据之后，训练完模型，该传感器就可以不用了。
2） 不可测量物理量的估计
还可以叫软测量吗？
3） 产品质量预测，产品质量需要较为滞后的预测或者测量的较少，训练阶段利用测量少的样本进行训练，之后可以利用过程数据进行预测。
B 应用背景
C 应用实例
VI 开放的挑战和未来的方向

图表：
自己总结：
看论文中遇到的概念：
软测量：

小结主要研究方向
目标检测

故障监控

软测量预测
特征提取；
异构特征融合
半监督学习
过程数据多分类
不平衡
图像多分类
无监督聚类
聚类怎么判断是那种故障的？