Accurate and Efficient Digital Twin Construction Using Concurrent End-to-End Synchronization and Multi-Attribute Data Resampling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate and efficient digital twin construction through real-time multi-attribute sensing and remote concurrent data analysis is essential in supporting complex connected industrial applications. Given the unsynchronized nature and heterogeneous sampling rates of distributed sensing processes, the varying time misalignment among different attributes will inevitably deteriorate the remote correlation analysis and digital twin construction. Furthermore, application-agnostic digital twin construction approaches could potentially involve high communication and computation overhead for comprehensive digital twin construction. In this article, a concurrent end-to-end time synchronization and multi-attribute data resampling scheme is proposed to enable accurate and efficient digital twin construction at the remote end. Specifically, digital clocks are concurrently established at the remote end, with each of them associated with a sampling rate of a unique sensing attribute. To tackle the temporal misalignment among multiple sensing attributes, raw data are accurately resampled according to the same reference frequency, with attribute-specific synchronized digital clocks providing cohesively aligned time information. An edge-centric platform is established to efficiently guide the multidimensional data processing during digital twin construction. Simulation results demonstrate that the proposed scheme can achieve more accurate and efficient digital twin construction than existing modeling methods. In the end, the digital twin-driven predictive maintenance is presented as a case study, aiming at illustrating the potential applications and benefits expected of the proposed scheme in industrial environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle