工业时间序列数据分析最新进展综述：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，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

工业物联网（IIoT）的特征是产生大量的时间序列数据。现代 IIoT 系统实现了海量工业时间序列数据的高效收集、存储和查询，使得此类数据的处理和分析成为现代制造中数据驱动决策的关键推动力。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，本文系统综述了最新方法——涵盖统计方法、机器学习（ML）、深度学习（DL）以及尖端大模型——及其在工业决策中的应用。它详细介绍了这些方法在关键设备状态监测、制造过程监督和能源网络管理中的应用状态。此外，论文讨论了方法与实际应用之间的现有差距，以及未来趋势和挑战，例如优化面向成本敏感学习的数据结构、探索因果关系和时间序列导向的模型架构，以及开发用于端到端工业用例的级联/混合流水线。最终，本综述旨在激发创新，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）

本摘要使用自动化工具生成，未经文章作者编写或审核。它旨在支持发现，帮助读者评估相关性，并协助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是论文的主要摘要。完整文章仍是权威记录版本。点击此处了解更多。

点击此处评论此摘要的准确性、清晰度和实用性。这样做将有助于改进和未来的重新生成版本。

要查看此 AI 生成的通俗摘要，您必须拥有高级访问权限。