04

Wir schlagen einen Framework vor, der auf verteilter modellprädiktiver Steuerung und Benders-Zerlegung für die dynamische Wartungsentscheidung von Fertigungssystemen im Kontext der vorausschauenden Wartung basiert.

Ein Artikel über Infrastruktursysteme mit vier Beispielen, wie Forscher versuchen, fatale Folgen von Störungen zu verhindern, ist auf den ETH-News erschienen. Ein Beispiel gilt unserem Lehrstuhl.

Erfahren Sie mehr über unser Paper zur Signal-to-Image-Transformation zur Erkennung von Anomalien, angewandt auf Beschleunigungssensor-Messungen von Helikoptern.

Im März verteidigte Pegah Rokh Foroz erfolgreich ihre Doktorarbeit, die sich mit der Ressourcenzuteilung für Multiagentensysteme mit unvollständiger Information befasst. Sie arbeitet nun als Post-Doktorandin im IMS-Team.

In unserer letzten veröffentlichten Publikation schlagen wir ein durchgängiges Deep-Learning-Framework für die Zeitreihendiagnose basierend auf den darin enthaltenen Impulsen vor. Wir wenden es auf die Teilentladungserkennung in Mittelspannungsleitungen an und erreichten damit Rang 4 in dem entsprechenden Kaggle-Wettbewerb. Vielen Dank an Chi-Ching Hsu für die tolle Zusammenarbeit!

In unserem kürzlich erschienenen Beitrag schlagen wir eine auf Reinforcement Learning (RL) basierende Kalibrierung für die Batteriemodelle vor. Unser RL-basierter Ansatz benötigt für das Training keine Degradationsparameter der Grundwahrheit, sondern lernt durch Verfolgung des internen Zustands der Batterie.

Unser Projektantrag “Multi-agent Reinforcement Learning with Graph Neural Network for Maintenance-Scheduling of Generation Units in Power Grids” wurde genehmigt und wird von der Hasler Stiftung finanziert.