当前位置:   article > 正文

赛后总结:第四届工业大数据竞赛注塑成型_第四届工业大数据创新竞赛注塑数据下载

第四届工业大数据创新竞赛注塑数据下载

关注我的公众号YueTan进行交流探讨
欢迎关注数据比赛方案仓库 https://github.com/hongyingyue/Competition-solutions

赛后总结:第四届工业大数据竞赛注塑成型

在这里插入图片描述
原文首发于第四届工业大数据竞赛注塑成型

前言

以第四届工业大数据竞赛虚拟量测任务为例,介绍大家的思路。自己代码乱写,导致不知道最后要复现的是哪个,加上工作上各种人员优化,就没有进一步。虽然放弃比赛,但对数据掌握的还算透彻,刚好决赛也都有答辩视频,就我个人理解和优秀选手的开源,在这里和大家一起分享一下。比赛链接:http://www.industrial-bigdata.com/Competition

只有一次评分的机会,本以为是摸奖赛,但前排还是很稳健。祝贺各位优秀的选手,也通过直播学习了一下大家的思路,学习了很多新思路和方法,总结如下。很多基于我对赛题的理解,以及根据答辩视频的猜测,如有错误之处,欢迎指正。

工业大数据

工业大数据有着自己的特点,因此结合工业特点和机器学习是关键的一点。

工业大数据数据质量的“3B”挑战:broken,bad,background

工业大数据的“3C”目的:Comparison(比较性),Correlation (相关性),Consequence (因果性)

关于数据和模型也可以参考我之前的两篇文章:

数据竞赛:第四届工业大数据竞赛-虚拟测量

数据挖掘III:数据敏感性

模型总结

star:关键点在于,深度学习模型一把梭,效果也非常好,能把深度学习模型调的效果如此之好很厉害。主要采用ResSluice模型,以及多个size同时学习的多任务学习。

中南小组:深挖机器参数和过程参数。也是深度学习模型,采用了卷积神经网络conv1D和spatial pyramid pooling,对时域特征裁补padding,并将时域特征进行整合。

Micro_i:主要在于运用了时间序列特征方法以及autoencoder的表征学习。打标,根据调机段对尺寸数据分组,也就是时间序列相关的衍生特征。在特征生成和特征筛选方面做的很细致。

GT_respect:详细细致的特征清洗、缺失填充、标准化、PCA降维。模型采用xgboost对size1和size2建模,size3采用LightGBM建模,并尝试了模型融合。

MX:树模型与阶段优化。时域统计特征,并注重了注射、保压、冷却、脱模阶段的时域特征,额外的比如peak-to-peak等特征,采用了Lightgbm模型。主要采用相关性降维。

DGAIBD:发现了训练集和测试集的不同。异常样本分析去掉了几个size异常点,而特征几乎差不多,因此去掉了这几个异常点。特征采用6个时间特征与3个频域特征。并且将size3的预测值作为size1的特征用来预测了。

石龙:去除唯一值特征、共线性特征和异常点,高频数据采用平均值、中位数、最大值、求和、标准差、偏度等。模型采用深度学习,bn层和dropout层,设计时借鉴无限宽的神经网络特点。loss函数优化、参数初始化。

许泽霖:特征工程上对高频传感器提取了mean\max\min\median\var等特征,还依据不同phase选取了很多的特征,skew,kurt,sum等。模型xgboost和lightgbm,样本选择时去除了几个异常点,也用了主成分分析。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/2023面试高手/article/detail/124334
推荐阅读
相关标签
  

闽ICP备14008679号