<ins id="3hdfl"></ins>
<strike id="3hdfl"></strike>

<var id="3hdfl"><menuitem id="3hdfl"><b id="3hdfl"></b></menuitem></var>
<sub id="3hdfl"><listing id="3hdfl"></listing></sub>
<var id="3hdfl"><progress id="3hdfl"></progress></var>

<track id="3hdfl"></track>

    <ins id="3hdfl"><font id="3hdfl"></font></ins>

    <nobr id="3hdfl"></nobr>

          <ins id="3hdfl"><noframes id="3hdfl"><pre id="3hdfl"></pre>
          <pre id="3hdfl"><thead id="3hdfl"><track id="3hdfl"></track></thead></pre>

          DTEmpower——智能數據建模軟件

          QQ截圖20181031162056.png 基本介紹

          工業企業均擁有大量的數據,如何從數據中挖掘知識,并有效服務于自身的業務是各企業非常關注的話題。隨著人工智能和數據挖掘技術的發展,市場上已存在有大量開源的和商業的數據建模解決方案,但是對于工業企業,要想建立高質量的模型,并應用于自己的業務場景,仍存在著一定的門檻,數據荒廢或投入產出失衡的現場屢見不鮮。在此背景之下,南京天洑軟件有限公司通過對工業企業數據建模需求的深度挖掘,研發了一套針對工業用戶的數據建模軟件DTEmpower。

          數據建模軟件DTEmpower圍繞數據清理、特征生成、敏感性分析和模型訓練等數據建模的各個環節,提供有大量算法。通過針對特定場景下算法的深度研發,利用智能調度引擎和超參優化等技術,提高模型質量的同時,降低了對用戶數據建模經驗的需求。同時DTEmpower提供一套圖形化的建模開發環境,所有算法均可通過拖拽的方式進行調用,通過連線的方式進行數據的傳遞,極大的降低了用戶的使用門檻。依托強大的算法和簡便的操作,零基礎用戶也可以利用DTEmpower快速挖掘到優秀的模型。

          模型是可復用的知識,DTEmpower秉承這一理念,定義了一套模型交換格式(簡稱DT模型),挖掘得到的模型可以直接存儲為單個模型文件,DT模型可以在DTEmpower的模型運行模塊DTEmpower Run(簡稱DTRun)、天洑智能優化設計平臺AIPOD等軟件中直接調用,服務于實時預警和優化設計等各種應用。

          “降低數據建模的門檻、強化模型的知識屬性”,DTEmpower針對典型的工業應用場景,提供了從建模到模型管理應用的一站式解決方案,讓工業用戶可以聚焦于業務而不是疲于數據分析,充分發揮數據的價值。


          6367366249803765609748431.jpg 主要功能及優勢

          1)豐富而先進的算法工具箱

          DTEmpower的核心功能建立于豐富、先進的算法工具箱基礎之上。圍繞數據清理、特征生成、敏感性分析、回歸模型訓練、時間序列模型預測等數據建模的各個環節,DTEmpower均提供有豐富的算法控件。在此基礎上,“算法有自研,超參有優化,組合有調度,場景有聚焦”,相比于市面上的其他同類算法,DTEmpower的模型訓練效果精度更高、穩定性更好。

          宣傳手冊-圖1.png

          圖 1 DTEmpower內置豐富而先進的算法工具箱

          2)零編碼建模

          DTEmpower提供了圖形化的數據建模流程搭建功能。所有的數據及模型操作,均以工具箱中模塊的形式提供。用戶無需具備編碼能力或深入了解算法細節,通過簡單的節點拖拽與節點連接即可完成復雜的數據建模流程的構建。

          宣傳手冊-圖2.png

          圖 2 DTEmpower采用零編碼的數據建模流程搭建模式

          3)表格式數據前處理

          DTEmpower支持基于表格式的交互完成數據前處理。除覆蓋有通用表格的操作與快捷鍵,還針對性地面向數據分析搭載附加功能,如數據可視化、數據核查與批處理、數據文件拼接等。此外,經過數據前處理完善的數據集可以直接導入建模流程中,完成后續的模型訓練等操作。

          宣傳手冊-圖3.png

          圖 3 DTEmpower支持基于表格式的交互完成數據前處理

          4)智能數據清理算法

          數據中的異常點很大程度的影響著模型的質量,因此數據清理至關重要??紤]到工業設計數據集的特性,天洑研發了智能數據清理算法AIOD。通過自研的智能調度引擎,管控數十種數據清理算法,一鍵式精準挖掘出數據集中的“潛在異常點”

          宣傳手冊-圖4.png

          圖 4  基于自研算法AIOD完成異常點智能識別

          5)針對小規模數據集的AIAgent訓練

          針對工業設計數據的“小數據集”“數據分布不均”等特點,天洑研發了一套智能訓練算法AIAgent,通過使用集成算法、智能分層分類以及超參優化等技術,用戶無需介入訓練過程,一鍵得到“最優”模型。

          宣傳手冊-圖5.png

          圖5  船舶興波阻力數據集AIAgent訓練同其他算法訓練的效果對比

           6)機理模型融合

          DTEmpower支持用戶在訓練流程中嵌入機理模型,以改善模型的精度和提高模型的可解釋性。同時還提供模型聚合功能,可以將用戶提供的公式模型和數據訓練的模型組合,作為單個DT模型導出,從而實現數據挖掘與機理模型的融合。

          宣傳手冊-圖6.png

          6  DTEmpower支持數據挖掘與機理模型的融合

          7工業設計場景聚焦——智能優化

          DT模型的一類典型應用場景是用于產品設計優化、設備運行優化等各類優化問題中。天洑智能優化設計平臺AIPOD支持在計算流程中一鍵導入DT模型,借助于SilverBullet算法,進行優化問題求解。

          宣傳手冊-圖7.png

          7 在AIPOD中一鍵導入DT模型并進行優化

          8)工業運維場景聚焦——智能監盤

          智能監盤擴展工具箱在DTEmpower強大的數據建模能力的基礎之上,提供了一套針對時間序列的智能預警算法,可以輕松固化專家的判斷邏輯,從參數的波動、變化趨勢,以及參數和預示模型預測值的相對偏差等多方面對參數進行健康度評估,實現異常早期預警。

          宣傳手冊-圖8.png

          圖 8 識別時間序列中的異?,F象,并給出異常原因,輔助用戶快速處置



          6367366249803765609748431.jpg DTEmpower的案例展示

          1數據清理與AIAgent訓練

          本案例采用一個基于Styblinski-Tang函數的仿真數據集,來展示在DTEmpower中智能模型訓練算法AIAgent的效果。Styblinski-Tang函數如下所示,數據建模的目標是獲取從x(x1至x5)到y的預測模型。

          產公式1.png

          為了驗證AIAgent的優越性,本案例同時新建了對比工程,利用集成學習算法Adaboost節點代替AIAgent節點,在其它配置均相同的情況下,兩者響應面對比如圖9所示。采用AIAgent算法訓練得到的模型的響應面基本完全貼合理論值,精度遠高于AdaBoost算法。

          宣傳手冊-圖9a.png

          宣傳手冊-圖9b.png

          (a)AIAgent的響應面,測試精度99.99%(b)Adaboost的響應面,測試精度79.9%

          圖 9 采用AIAgent算法訓練得到的模型的響應面基本完全貼合理論值

          2數據前處理與可視化

          準備合適的數據集是開展建模前的必要準備工作,因此一個高效、易用的數據前處理與可視化工具可以幫助數據分析與數據建模工作事半功倍。

          在本案例中,將不同數據源的樣本繪制在同一散點圖中,并區分為兩種顏色展示。大部分的樣本點分布在同一條曲線上,對應正常的運行模式;但是在來源于故障數據集的部分樣本點與該曲線發生明顯偏離,表明可能存在某種異常。

          宣傳手冊-圖10.png

          圖 10  聚合模型的響應面

          3參數時序預測

          時序預測問題是一種根據歷史的數據,對未來的變化進行預測的問題。在本案例中,以污水處理系統的參數預測為例,演示DTEmpower在面對外界干擾強烈、時變性強、耦合性強、非線性的復雜動態生物化學過程中,基于大量的測量數據構建數據驅動的模型。

          通過合理地選擇外部特征并引入MDI/PCA等特征工程技術,既可以提升輸入信息富集度從而有助于提升模型預測精度,又可以緩解因輸入特征過多導致的維度爆炸、模型難以訓練的問題,最終實現預測模型的R2指標從0.68提高到0.94。

          宣傳手冊-圖11.png

          圖11  基于DTEmpower實現“層層遞進式”的數據建模水平提升

          免费无码A片岛国在线看视频,在线看高清黄AV免费观看,图片区小说区亚洲欧美自拍,制服日韩亚洲中文第一页,初女破初的视频教程全集,欧美激情1003欧美激情,97亚洲欧美国产中字99,亚洲欧美日韩丝袜一区二区,99re6久久在热线视超碰