Search | Engineering

订阅投稿

首页工程期刊工程焦点工程成就工程前沿关于我们 English

资源类型

期刊论文 869

会议视频 102

会议信息 50

会议专题 1

年份

2024 4

2023 122

2022 135

2021 124

2020 105

2019 106

2018 60

2017 71

2016 31

2015 20

2014 14

2013 13

2012 16

2011 13

2010 22

2009 12

2008 19

2007 22

2006 18

2005 15

展开︾

关键词

大数据 29

机器学习 27

人工智能 23

2020 21

智能制造 20

农业科学 15

深度学习 15

数据挖掘 9

2019 8

能源 7

增材制造 6

建模 6

神经网络 6

过程强化 6

仿真技术 5

仿生机器人 4

信息技术 4

工程管理 4

环境 4

展开︾

检索范围：

排序：展示方式：

高炉炼铁过程数据驱动软测量技术研究综述 Review Article

罗月阳1,张新民1,Manabu Kano2,邓龙3,杨春节1,宋执环1

《信息与电子工程前沿（英文）》 2023年第24卷第3期页码 327-354 doi: 10.1631/FITEE.2200366

摘要：在高能耗、高污染、极为复杂的冶炼过程中，高炉是极为重要的反应器。软测量技术是在线实时预测反映高炉能耗和运行稳定性质量指标的关键技术，在节能减排、提高产品质量和带来经济效益方面发挥着重要作用。随着物联网、大数据和人工智能的发展，高炉炼铁过程中的数据驱动软测量技术受到越来越多关注，但目前尚无关于高炉炼铁过程数据驱动软测量技术的系统性总结与评价。本文详细总结了高炉炼铁过程数据驱动软测量技术的最新研究成果与发展现状。具体而言，首先对高炉炼铁中使用的各种数据驱动软测量建模方法（如多尺度方法、自适应方法、深度学习等）进行了全面分类总结与分析。其次，对高炉炼铁中数据驱动软测量技术的应用现状（如硅含量、熔铁温度、气体利用率等）作对比分析。最后，展望了数据驱动软测量技术在高炉数字孪生、多源信息融合、碳达峰与碳中和等方面的潜在挑战和未来发展趋势。

关键词：软测量；数据驱动建模；机器学习；深度学习；高炉；炼铁过程

HTML PDF 收藏

多尺度材料与过程设计的数据驱动和机理混合建模方法 Perspective

周腾, Rafiqul Gani, Kai Sundmacher

《工程（英文）》 2021年第7卷第9期页码 1231-1238 doi: 10.1016/j.eng.2020.12.022

摘要：功能性过程材料是这一挑战的核心。传统上，人们根据经验或者通过反复试验的方法来发现新型先进材料。由于材料选择与材料使用的过程操作之间存在很强的相互作用，必须同时进行材料设计和过程设计。尽管有这种重要联系，但由于通常需要使用不同规模的多个模型，材料和过程的集成设计并不容易。混合建模为解决此类复杂的设计问题提供了一个有前景的选择。在混合建模中，用数据驱动模型描述原本计算成本高昂的材料特性，而用机理模型表示众所周知的过程相关原理。本文重点介绍了混合建模在多尺度材料和过程设计中的重要性。首先介绍通用设计方法，然后选择了六个重要的应用领域：四个来自化学工程领域，两个来自能源系统工程领域。对于选定的每个领域，讨论了使用混合建模进行多尺度材料和过程设计的最新研究。最后，本文给出了结论，指出当前研究的局限性和未来的发展空间。

关键词：数据驱动代理模型机器学习混合建模材料设计过程优化

HTML PDF 收藏

机器学习视角下的城市建模计算机图形方法综述 Review Article

冯天1,范非易2,Tomasz BEDNARZ3,4

《信息与电子工程前沿（英文）》 2021年第22卷第7期页码 915-925 doi: 10.1631/FITEE.2000141

摘要：城市建模为生成城市不同场景下的虚拟环境提供了便利。城市建模需要专业知识和考虑，并消耗大量时间和计算资源。即便如此，与之相关的任务有时仍以不满意的结果甚至失败告终。同时，人工智能的蓬勃发展激励人们充分利用机器学习以改进现有解决方案。本文回顾了2010至2019年间发表的文献，对计算机图形领域中使用机器学习的城市建模方法进行综述。本文可作为机器学习视角下城市建模研究现状的概述。

关键词：城市建模；计算机图形学；机器学习；深度学习

HTML PDF 收藏

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

摘要：

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。

关键词：大数据机器学习智能制造过程系统工程

HTML PDF 收藏

机器学习和数据驱动算法在智慧发电系统中的应用——一种不确定性处理的视角 Review

孙立, Fengqi You

《工程（英文）》 2021年第7卷第9期页码 1239-1247 doi: 10.1016/j.eng.2021.04.020

摘要：机器学习（ML）和数据驱动控制（DDC）技术的蓬勃发展为这些传统方法提供了一种替代方案。本文回顾了机器学习和数据驱动控制技术在发电系统监测、控制、优化和故障检测方面的典型应用，特别着重于揭示这些方法在评价、消除或耐受相关不确定性影响方面的作用。本文为智慧发电控制技术提供了一个从调节层到规划层的总体视角，分别从可见性、机动性、灵活性、经济性和安全性（简称“五性”）方面对机器学习和数据驱动控制技术的优势进行阐释。

关键词：智慧发电机器学习数据驱动控制系统工程

HTML PDF 收藏

基于混合驱动高斯过程学习的强机动多目标跟踪方法 Research Article

国强1,滕龙1,2,尹天祥3,郭云飞3,吴新良2,宋文明2

《信息与电子工程前沿（英文）》 2023年第24卷第11期页码 1647-1656 doi: 10.1631/FITEE.2300348

摘要：本文提出一种混合驱动方法，利用数据驱动和基于模型算法的优点跟踪多个高机动目标。将时变恒速（CV）模型集成到在线学习的高斯过程（GP）中，提高高斯过程的预测性能。进一步与广义概率数据关联（GPDA）算法相结合，实现多目标跟踪。通过仿真实验可知，与广泛使用的机动目标跟踪算法如交互式多模型（IMM）和数据驱动的高斯过程运动跟踪器（GPMT）相比，提出的混合驱动方法具有显著的性能优势。

关键词：目标跟踪；高斯过程；数据驱动；在线学习；模型驱动；概率数据关联

HTML PDF 收藏

大数据为材料研究创造新机遇——材料设计的机器学习方法与应用综述 Review

周腾, Zhen Song, Kai Sundmacher

《工程（英文）》 2019年第5卷第6期页码 1017-1026 doi: 10.1016/j.eng.2019.02.011

摘要：

材料的发展在历史上是由人类的需求和欲望所驱动的，且在可预见的将来，这种情况应该会继续下去。因为现代实验和计算技术产生的大数据越来越容易获取，数据驱动或机器学习（ML）方法为发现和合理设计材料打开了新的蓝图。本文简要介绍了各种ML方法和相关的软件或工具。

关键词：大数据数据驱动机器学习材料筛选材料设计

HTML PDF 收藏

《信息与电子工程前沿（英文）》 2021年第22卷第9期页码 1234-1246 doi: 10.1631/FITEE.2000426

摘要：

在工业过程中，软测量技术被广泛用于预测难以测量的质量变量。构建一个应对过程非平稳性的自适应模型非常必要。本文针对非平稳过程，设计了一种基于含有隐变量贝叶斯网络的质量相关局部加权软测量方法。提出一种有监督贝叶斯网络提取质量相关的隐变量，并应用于一种双层相似度测量算法。所提软测量方法试图通过质量相关信息为非平稳过程寻找到一般方法，且详细解释了局部相似度和窗口置信度的概念。

关键词：软测量；有监督贝叶斯网络；隐变量；局部加权建模；质量预测

HTML PDF 收藏

一种局部二次嵌入学习算法及其在软测量中的应用 Article

包垚垚, 朱远明, 钱峰

《工程（英文）》 2022年第18卷第11期页码 186-196 doi: 10.1016/j.eng.2022.04.025

摘要：

鉴于元学习在众多领域取得的巨大成就，本文针对数据回归问题提出了融合度量学习和神经网络（NN）的局部二次嵌入学习（LQEL）算法。首先，通过优化输入输出空间里样本间度量的全局一致性来改进马氏度量（Mahalanobis metric）学习算法；同时，通过引入松弛约束进一步证明了改进的度量学习问题等价于一个凸规划问题。然后，基于局部二次插值假设原理，引入了两个轻量级的神经网络，其一用于学习局部二次模型中的系数矩阵，另一个则用于对从不同局部近邻获得的预测结果进行权重分配。最后，将两个子模型嵌入统一的回归框架中，并通过随机梯度下降（SGD）算法学习模型参数。所提出的算法优势在于可充分利用目标标签中隐含的信息找到更可靠的参考样本。并且，使用LQEL算法对变量进行差分建模，避免了因传感器漂移或不可测量变量导致的模型退化问题。多个基准数据集和两个实际工业应用数据集的计算结果表明，所提出的方法优于几种典型的回归方法。

关键词：局部二次嵌入度量学习回归机软测量

HTML PDF 收藏

结构健康监测数据科学与工程研究进展 Article

鲍跃全, 陈智成, 魏世银, 徐阳, 唐志一, 李惠

《工程（英文）》 2019年第5卷第2期页码 234-242 doi: 10.1016/j.eng.2018.11.027

摘要：

结构健康监测（SHM）是一个多学科交叉领域，涉及利用大量传感器和仪器对结构荷载和响应进行自动感知，然后根据收集到的数据对结构进行健康诊断。由于安装在结构上的 SHM 系统能自动实时地感知、评估和预警结构状态，所以海量数据是 SHM 的一个显著特征。与海量数据处理与分析相关的方法与技术被称为数据科学与工程，其包括数据采集、数据转换、数据管理以及数据处理与挖掘算法。本文旨在简要回顾笔者在 SHM 数据科学与工程方面开展的最新研究，具体涵盖基于压缩采样的数据采集算法、基于深度学习算法的异常数据诊断方法、基于计算机视觉技术的桥梁裂纹识别方法，以及基于机器学习算法的桥梁结构状态评估方法

关键词：结构健康监测监测数据压缩采样机器学习深度学习

HTML PDF 收藏

深度学习中的对抗性攻击和防御 Feature Article

任奎, Tianhang Zheng, 秦湛, Xue Liu

《工程（英文）》 2020年第6卷第3期页码 346-360 doi: 10.1016/j.eng.2019.12.012

摘要：

在深度学习（deep learning, DL）算法驱动的数据计算时代，确保算法的安全性和鲁棒性至关重要。最近，研究者发现深度学习算法无法有效地处理对抗样本。这些伪造的样本对人类的判断没有太大影响，但会使深度学习模型输出意想不到的结果。最近，在物理世界中成功实施的一系列对抗性攻击证明了此问题是所有基于深度学习系统的安全隐患。因此有关对抗性攻击和防御技术的研究引起了机器学习和安全领域研究者越来越多的关注。本文将介绍深度学习对抗攻击技术的理论基础、算法和应用。然后，讨论了防御方法中的一些代表性研究成果。

关键词：机器学习深度神经网络对抗实例对抗攻击对抗防御

HTML PDF 收藏

面向6G的信道测量与建模：现状与展望 Review Articles

Jian-hua ZHANG, Pan TANG, Li YU, Tao JIANG, Lei TIAN

《信息与电子工程前沿（英文）》 2020年第21卷第1期页码 39-61 doi: 10.1631/FITEE.1900450

摘要：本文首先介绍了6G可能出现的技术和应用，包括太赫兹通信、工业互联网、空天地一体化网络和机器学习，并指出6G信道模型的发展趋势。其次，针对这些技术和应用，综述了目前信道测量与建模的研究进展。最后，展望了未来面向6G的信道测量与建模。

关键词：信道测量；信道建模；6G；太赫兹；工业互联网；空天地一体化网络；机器学习

HTML PDF 收藏

基于深度学习的双目内窥镜三维测量方法 Research Article

余浩1,周长江2,张伟1,王立强1,2,杨青1,2,袁波1

《信息与电子工程前沿（英文）》 2022年第23卷第4期页码 653-660 doi: 10.1631/FITEE.2000679

摘要：本文提出一种基于深度学习的双目内窥镜三维测量方法，可以克服传统双目匹配算法在弱纹理区域鲁棒性较差的缺点。利用三维扫描仪获得的目标三维数据和三维渲染软件仿真的双目相机创建虚拟双目图像数据集，用于训练视差预测模型进行三维测量。

关键词：双目内窥镜；三维测量；深度学习；视差预测

HTML PDF 收藏

深度学习驱动的智能电网调度：综述 Review Article

黄刚1,吴飞2,郭创新3

《信息与电子工程前沿（英文）》 2022年第23卷第5期页码 763-776 doi: 10.1631/FITEE.2000719

摘要：但是，由于问题的复杂性，可靠且高效的决策方法仍在不断探索的过程中。随着可再生能源的大规模并网以及灾害性气候的不断恶化，智能电网对调度决策方法提出了更为严苛的要求。近年来，以深度学习为代表的人工智能方法在不少领域取得巨大成功，因此深度学习也被电气工程领域寄予厚望，国内外研究者开始重新思考智能电网的调度决策问题。本文即从深度学习这一角度对智能电网调度决策相关研究进行综述，旨在促进智能电网领域发展的同时促进人工智能生态的发展。

关键词：人工智能；深度学习；电力调度；智能电网

HTML PDF 收藏

一种基于数字孪生云平台的炼铁过程智能优化服务 Article

周恒, 杨春节, 孙优贤

《工程（英文）》 2021年第7卷第9期页码 1274-1281 doi: 10.1016/j.eng.2021.04.022

摘要：

工业过程多目标优化研究因算法和设备的不完善，已经大幅限制了工业过程的智能化发展。为了提升流程工业过程的操作水平，本文提出了一种基于云服务平台和分布式系统的混合智能优化框架。在这个智能优化系统中，工业实时数据首先暂存于本地服务器，经过清洗整理后上传至云数据库中；然后在可拓展的云平台上部署分布式系统用于运行智能优化算法；最后将基于深度学习和进化算法的多目标混合优化算法打包上传至云计算平台通过将多目标优化服务运行于数字孪生云上工厂，钢铁厂高炉铁水产量增加了83.91 t·d^{关键词：

云上工厂


高炉炼铁


多目标优化


分布式系统}