Kristoffer Hjelmen Nesland

大型语言模型增强工业机器学习数据过滤，提高虚拟流量计精度

研究人员开发了一种新颖的方法来提高工业机器学习应用中使用的训练数据质量，特别是针对虚拟流量计。这种文本信息方法利用大型语言模型（LLMs）将非结构化操作数据（如工程师评论和日志）与表格传感器数据相结合。通过在两种数据模式之间执行上下文异常检测，该方法生成一个二进制掩码来过滤训练数据集。在合成油气数据集上的实验表明，与传统的仅传感器过滤相比，这种多模态方法显著提高了虚拟流量计模型的性能，将平均绝对百分比误差（MAPE）从7.1%降低到5.4%。