工业时间序列数据分析的最前沿综述：方法与应用

《ACM Computing Surveys》：A State-Of-The-Art Review of Industrial Time Series Data Analysis: Methods and Applications

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须具备高级访问权限。

了解更多登录

摘要

摘要

工业物联网（IIoT）的特征在于产生海量的时间序列数据。现代 IIoT 系统能够对海量工业时间序列数据进行高效的采集、存储和查询，使得对此类数据的处理和分析成为现代制造业数据驱动决策的关键支撑。为了为研究人员和从业者提供关于工业时间序列数据分析的全面指导，本文系统性地综述了涵盖统计方法、机器学习（ML）、深度学习（DL）以及前沿大模型等最新方法，以及它们在工业决策中的应用。文章详细介绍了这些方法在关键设备状态监测、制造过程监控和能源网络管理中的应用现状。此外，本文还探讨了现有方法与实际应用之间的差距，以及未来趋势和挑战，例如优化数据结构以支持成本敏感学习、探索因果关系和面向时间序列的模型架构，以及开发面向端到端工业用例的级联/混合流水线。最终，本文旨在激发创新，以实现下一代 IIoT 系统的数据驱动智能决策。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审核。它旨在辅助发现、帮助读者评估相关性，并帮助相邻研究领域的读者理解本文工作。它作为作者提供的摘要的补充，后者仍是本文的主要摘要。完整文章仍为权威记录版本。点击此处了解更多。

点击 此处 对本摘要的准确性、清晰度和实用性进行评价。这将有助于改进和生成未来版本。

要查看此 AI 生成的简明摘要，您必须具备高级访问权限。