.png){kind=icon}
返回
Declarative Programming Approaches for Robust Anomaly Detection in HPDC Process Data
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05745-7_4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对具有复杂几何形状和高性能的轻质部件需求的日益增长，显著推动了高压压铸（HPDC）技术在交通领域的应用。然而，生产高质量HPDC部件需要精确控制工艺参数。在此背景下，由欧盟地平线计划资助的“制造工业生产线先进数字化所需的数据和元数据”（metaFacturing）项目正致力于解决部分挑战。该项目专注于一个数字化工具链，旨在优化原材料的使用（包括回收材料）、降低操作员成本和劳动强度，以及减少因生产结果超出规格要求而产生的浪费。本文提出了一种针对结构化数据特征的解决方案，通过使用两个经过不同训练的分类器对异常和非异常数据进行分类，以提高分类性能。此外，为提高效率并利用工艺数据特征，研究了不同的声明式编程方法，如MILP、ASP、CLP和CP。
Keyword:
Declarative programming
Anomaly detection
HPDC process data
期刊
机构
引用论文
Knowledge Graph Extraction from Retrieval-Augmented Generator: An Application in Aluminium Die Casting.png)
Proceedings of the 21st International Conference on Informatics in Control, Automation and Robotics
Proceedings of the 21st International Conference on Informatics in Control, Automation and RoboticsIF0
PREAI
分享收藏分享收藏High-dimensional and large-scale anomaly detection using a linear one-class SVM with deep learning基于深度学习的线性单类SVM的高维大规模异常检测PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容