Nhan đề chính: Machine Learning for Cyber-Physical Systems

Nhan đề dịch: Học máy cho hệ thống mạng vật lý

Tác giả: Oliver Niggemann, Jürgen Beyerer, Maria Krantz, Christian Kühnert

Nhà xuất bản: Springer Cham

Năm xuất bản: 2024

Số trang: 137 tr.

Ngôn ngữ: Tiếng Anh 

ISBN: 978-3-031-47062-2

SpringerLink

Lời giới thiệu: Biên bản báo cáo này trình bày các cách tiếp cận mới đối với Machine Learning for Cyber-Physical Systems, các kinh nghiệm và tầm nhìn. Biên bản này bao gồm một số bài báo được chọn từ Hội nghị quốc tế ML4CPS – Machine Learning for Cyber-Physical Systems, được tổ chức tại Hamburg (Đức), từ ngày 29 đến 31 tháng 3 năm 2023. Hệ thống mạng vật lý được đặc trưng bởi khả năng thích ứng và học hỏi: Chúng phân tích môi trường của mình và dựa trên các quan sát, chúng học các mẫu, mối tương quan và mô hình dự đoán. Các ứng dụng điển hình là giám sát tình trạng, bảo trì dự đoán, xử lý hình ảnh và chẩn đoán. Học máy là công nghệ chính cho những phát triển này.

Từ khóa: Hệ thống; Mạng vật lý; Mạng lưới nơ-ron; Khoa học máy tính; Kiến trúc mạng.

Nội dung cuốn sách gồm những phần sau:

Phần đầu

Học cấu trúc nhân quả bằng PCMCI+ và ràng buộc đường dẫn từ can thiệp mềm dựa trên sóng con

Học tăng cường từ phản hồi của con người cho các hệ thống mạng vật lý: Về tiềm năng của đào tạo trước tự giám sát

Sử dụng các mô hình dựa trên ML trong mô phỏng CPPS: Nghiên cứu trường hợp về sản xuất đồng hồ đo thông minh

Triển khai máy học trong khuôn ép nhựa áp suất cao và xử lý sau sản xuất: Một nghiên cứu điển hình

Phát triển phương pháp tiếp cận chọn thùng bằng robot dựa trên học tăng cường

Kiểm soát cấu hình lại CPS thông qua Nhận dạng trực tuyến bằng hồi quy thưa thớt (SINDYc)

Sử dụng cấu trúc rừng cho việc học thụ động của Automata

Hướng dẫn tiêm kiến ​​thức miền cho bảo trì dự đoán

Hướng tới một phương pháp tiếp cận có hệ thống cho các trường hợp sử dụng phân tích theo quy định trong các nhà máy thông minh

Phát triển nguyên mẫu thu thập dữ liệu chuẩn hóa cho môi trường cảm biến Không đồng nhất làm cơ sở cho ứng dụng ML trong kéo đùn

Thiết kế Digital Twin cho bảo trì dự đoán băng tải

Tăng cường các mô hình dữ liệu có thể giải thích được trong hệ thống năng lượng: Một khuôn khổ Python cho kỹ thuật tính năng

Sửa lỗi: Hướng tới một phương pháp tiếp cận có hệ thống cho các trường hợp sử dụng phân tích theo quy định trong các nhà máy thông minh