检索范围:
排序: 展示方式:
Data analytics and optimization for smart industry
Lixin TANG, Ying MENG
《工程管理前沿(英文)》 2021年 第8卷 第2期 页码 157-171 doi: 10.1007/s42524-020-0126-0
Intelligent data analytics is here to change engineering management
Jonathan Jingsheng SHI, Saixing ZENG, Xiaohua MENG
《工程管理前沿(英文)》 2017年 第4卷 第1期 页码 41-48 doi: 10.15302/J-FEM-2017003
关键词: engineering management project management big data data analytics planning execution
Special issue: Decision, risk analytics and data intelligence
Xiaozhe ZHAO, Desheng WU
《工程管理前沿(英文)》 2020年 第7卷 第2期 页码 169-171 doi: 10.1007/s42524-020-0114-4
CORRECTION to: Special issue: Decision, risk analytics and data intelligence
Xiaozhe ZHAO, Desheng Wu
《工程管理前沿(英文)》 页码 697-697 doi: 10.1007/s42524-020-0139-8
王晨,宋亮,李少昆
《中国工程科学》 2018年 第20卷 第2期 页码 15-19 doi: 10.15302/J-SSCAE-2018.02.003
随着制造业和新一代互联网、信息化技术的融合,工业互联网高速发展。无论是国际制造业的领先企业,还是我国的制造业国家战略都明确了工业互联网平台研发的重要性。本文对工业互联网平台的发展趋势进行了阐释,并对平台在用户生态、开发者生态和数据生态构建中的挑战展开了分析,并有针对性地探讨了工业互联网平台在工业大数据系统与工业数据建模和分析方面所遇到的技术挑战。
智能过程制造中的数据解析与机器学习——大数据时代的最新进展与展望 Perspective
尚超、 Fengqi You
《工程(英文)》 2019年 第5卷 第6期 页码 1010-1016 doi: 10.1016/j.eng.2019.01.019
安全、高效、可持续的运行是工业生产过程控制的主要目标。然而,目前的技术严重依赖人为干 预,因此在实际应用中体现出明显的局限性。蓬勃发展的大数据时代对流程工业产生了巨大的影 响,为实现智能制造提供了前所未有的机遇。这种新的生产方式不仅要求机器能够帮助人类减轻 繁重的体力劳动,还要能有效地承担智力劳动,甚至能够实现自主创新。为了实现这一目标,数 据分析与机器学习扮演着不可或缺的角色。在本文中,我们回顾了数据分析和机器学习在工业生 产过程监控、控制和优化方面的最新进展,着重分析机器学习模型的可解释性和功能性。通过分 析实际需求与研究现状之间的差距,为未来的研究方向给出了建议。
SuPoolVisor:矿池监管可视分析系统 Research
Jia-zhi XIA, Yu-hong ZHANG, Hui YE, Ying WANG, Guang JIANG, Ying ZHAO, Cong XIE, Xiao-yan KUI, Sheng-hui LIAO, Wei-ping WANG
《信息与电子工程前沿(英文)》 2020年 第21卷 第4期 页码 507-523 doi: 10.1631/FITEE.1900532
A literature review of perishable medical resource management
《工程管理前沿(英文)》 页码 710-726 doi: 10.1007/s42524-023-0278-9
关键词: perishable medical resources organ transplant healthcare products decision analytics operations management
Special issue: Operations analytics and optimization for manufacturing, logistics and energy systems
Jiming WANG, Jie LIU, Anlin SHAO, Lixin TANG
《工程管理前沿(英文)》 2017年 第4卷 第3期 页码 239-241 doi: 10.15302/J-FEM-2017109
数据驱动的信息物理生产系统——迈向安全、高效、分布式智能制造 Perspective
Manu Suvarna, Ken Shaun Yap, 杨文韬, 李君, Yen Ting Ng, 王笑楠
《工程(英文)》 2021年 第7卷 第9期 页码 1212-1223 doi: 10.1016/j.eng.2021.04.021
随着工业4.0 和智能制造等概念和系统的普及,传统制造业将见证向新模式的转型,以更好地响应用户的需求并实现安全、高效、智能化的操作。在此背景下,本文聚焦于信息物理生产系统(CPPS)的概念,从整体上阐述了CPPS在这一产业转型中的三个关键驱动作用,即数据驱动的生产系统、分布式的智能制造和保证数据安全的集成区块链技术。通过这三个方面的具体技术和系统实现,基于数据驱动的建模和优化,智能信息物理系统将助力流程工业和制造业转型。同时,分布式的智能制造可以更高效地实现产业升级和低碳化发展。区块链技术可以进一步确保数据共享的可靠性和安全性,实现跨子系统的整合。本文详细分析了最近发表的文献研究和行业相关案例支持,并对现有挑战和发展方向进行了总结展望。
APFD:面向移动轨迹大数据的出租车路径推荐方法 Research Article
张文勇1,夏大文1,常国艳5,胡杨2,霍雨佳1,冯夫健1,李艳涛3,李华青4
《信息与电子工程前沿(英文)》 2022年 第23卷 第10期 页码 1494-1510 doi: 10.1631/FITEE.2100530
随着数据驱动智能交通系统的迅猛发展,高效的出租车路径推荐方法成为智慧城市的研究热点。基于移动轨迹大数据,提出一种基于人工势场(APF)和Dijkstra方法的出租车路径推荐方法。为提高路径推荐效率,提出一种区域提取方法,该方法通过原点和终点坐标搜索包含最优路径的区域。基于APF方法,提出一种有效的冗余节点去除方法。最后,通过Dijkstra方法推荐最优路径。将APFD方法应用于仿真地图和北京四环的实际路网。在地图上随机选取20对起点和终点坐标,采用APFD方法、蚁群(AC)算法、贪婪算法(A*)、APF、迅速探索随机树(RRT)、非支配排序遗传算法-II(NSGA-II)、粒子群算法(PSO)和Dijkstra算法进行最短路径推荐。在最短路径规划方面,与AC、A*、APF、RRT、NSGA-II和PSO相比,APFD的路径规划能力分别提高了1.45%–39.56%、4.64%–54.75%、8.59%–37.25%、5.06%–45.34%、0.94%–20.40%和2.43%–38.31%。与Dijkstra算法相比,APFD的执行效率提高了1.03–27.75倍。此外,在北京四环实际路网中,APFD推荐最短路径的能力优于AC、A*、APF、RRT、NSGA-II和PSO,且APFD的执行效率高于Dijkstra方法。
因果模型启发的复杂工业过程软传感器自动化特征选择方法 Article
孙衍宁, 秦威, 胡锦华, 许鸿伟, 孙兆辉
《工程(英文)》 2023年 第22卷 第3期 页码 82-93 doi: 10.1016/j.eng.2022.06.019
关键性能指标(KPI)的软测量在复杂工业过程决策中起着至关重要的作用。许多研究人员已经使用先进的机器学习(ML)或深度学习(DL)模型开发出了数据驱动的软传感器。其中,特征选择是一个关键的问题,因为一个原始的工业数据集通常是高维的,并不是所有的特征都有利于软传感器的建立。一种完善的特征选择方法不应该依赖于超参数和后续的ML或DL模型。换言之,这种特征选择方法应该能够自动地选择一个特征子集进行软传感器建模,选择的每个特征对工业KPI 都有独特的因果影响。因此,本研究提出了一种受因果模型启发的自动特征选择方法,用于工业KPI 的软测量。首先,受后非线性因果模型的启发,本研究将数据驱动的软传感器与信息论相结合,以量化原始工业数据集中每个特征和KPI之间的因果效应。然后,提出了一种新的特征选择方法,即自动选择具有非零因果效应的特征来构造特征子集。最后,利用所构造的子集,通过AdaBoost 集成策略开发KPI 的软传感器。两个实际工业应用中的实验证实了该方法的有效性。在未来,该方法也可以应用于其他工业过程,以帮助开发更先进的数据驱动的软传感器。
Pai ZHENG, Honghui WANG, Zhiqian SANG, Ray Y. ZHONG, Yongkui LIU, Chao LIU, Khamdi MUBAROK, Shiqiang YU, Xun XU
《机械工程前沿(英文)》 2018年 第13卷 第2期 页码 137-150 doi: 10.1007/s11465-018-0499-5
Information and communication technology is undergoing rapid development, and many disruptive technologies, such as cloud computing, Internet of Things, big data, and artificial intelligence, have emerged. These technologies are permeating the manufacturing industry and enable the fusion of physical and virtual worlds through cyber-physical systems (CPS), which mark the advent of the fourth stage of industrial production (i.e., Industry 4.0). The widespread application of CPS in manufacturing environments renders manufacturing systems increasingly smart. To advance research on the implementation of Industry 4.0, this study examines smart manufacturing systems for Industry 4.0. First, a conceptual framework of smart manufacturing systems for Industry 4.0 is presented. Second, demonstrative scenarios that pertain to smart design, smart machining, smart control, smart monitoring, and smart scheduling, are presented. Key technologies and their possible applications to Industry 4.0 smart manufacturing systems are reviewed based on these demonstrative scenarios. Finally, challenges and future perspectives are identified and discussed.
关键词: Industry 4.0 smart manufacturing systems Internet of Things cyber-physical systems big data analytics framework
RCAnalyzer:动态网络中稀有类可视分析系统 Research
Jia-cheng PAN, Dong-ming HAN, Fang-zhou GUO, Da-wei ZHOU, Nan CAO, Jing-rui HE, Ming-liang XU, Wei CHEN
《信息与电子工程前沿(英文)》 2020年 第21卷 第4期 页码 491-506 doi: 10.1631/FITEE.1900310
关键词: 稀有类检测;动态网络;可视分析
《工程管理前沿(英文)》 页码 577-591 doi: 10.1007/s42524-022-0203-7
关键词: nursing home predictive analytics individualized prediction competing risks health outcomes
标题 作者 时间 类型 操作
Intelligent data analytics is here to change engineering management
Jonathan Jingsheng SHI, Saixing ZENG, Xiaohua MENG
期刊论文
CORRECTION to: Special issue: Decision, risk analytics and data intelligence
Xiaozhe ZHAO, Desheng Wu
期刊论文
SuPoolVisor:矿池监管可视分析系统
Jia-zhi XIA, Yu-hong ZHANG, Hui YE, Ying WANG, Guang JIANG, Ying ZHAO, Cong XIE, Xiao-yan KUI, Sheng-hui LIAO, Wei-ping WANG
期刊论文
Special issue: Operations analytics and optimization for manufacturing, logistics and energy systems
Jiming WANG, Jie LIU, Anlin SHAO, Lixin TANG
期刊论文
Smart manufacturing systems for Industry 4.0: Conceptual framework, scenarios, and future perspectives
Pai ZHENG, Honghui WANG, Zhiqian SANG, Ray Y. ZHONG, Yongkui LIU, Chao LIU, Khamdi MUBAROK, Shiqiang YU, Xun XU
期刊论文
RCAnalyzer:动态网络中稀有类可视分析系统
Jia-cheng PAN, Dong-ming HAN, Fang-zhou GUO, Da-wei ZHOU, Nan CAO, Jing-rui HE, Ming-liang XU, Wei CHEN
期刊论文