論文の概要: Root Cause Analysis in Lithium-Ion Battery Production with FMEA-Based
Large-Scale Bayesian Network
- arxiv url: http://arxiv.org/abs/2006.03610v2
- Date: Mon, 15 Jun 2020 13:49:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 04:21:18.384591
- Title: Root Cause Analysis in Lithium-Ion Battery Production with FMEA-Based
Large-Scale Bayesian Network
- Title(参考訳): FMEAに基づく大規模ベイズネットワークによるリチウムイオン電池製造の根本原因解析
- Authors: Michael Kirchhof and Klaus Haas and Thomas Kornas and Sebastian Thiede
and Mario Hirz and Christoph Herrmann
- Abstract要約: 生産増進における専門家の知識獲得を含む,新たな手法が提示される。
専門家が提供するパラメータ間の不整合を検出し、解決する特別なアルゴリズムが提示される。
大規模でクロスプロセスなベイズ故障ネットワークを構築することで,本手法の有効性を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The production of lithium-ion battery cells is characterized by a high degree
of complexity due to numerous cause-effect relationships between process
characteristics. Knowledge about the multi-stage production is spread among
several experts, rendering tasks as failure analysis challenging. In this
paper, a new method is presented that includes expert knowledge acquisition in
production ramp-up by combining Failure Mode and Effects Analysis (FMEA) with a
Bayesian Network. Special algorithms are presented that help detect and resolve
inconsistencies between the expert-provided parameters which are bound to occur
when collecting knowledge from several process experts. We show the
effectiveness of this holistic method by building up a large scale,
cross-process Bayesian Failure Network in lithium-ion battery production and
its application for root cause analysis.
- Abstract(参考訳): リチウムイオン電池の製造は, プロセス特性の因果関係が多々あるため, 複雑度が高いことが特徴である。
マルチステージ生産に関する知識は、いくつかの専門家の間で広まり、タスクを障害分析の課題としてレンダリングする。
本稿では,フェールモードとエフェクト分析(FMEA)をベイズネットワークと組み合わせることで,生産ラインアップにおける専門家の知識獲得を含む新しい手法を提案する。
いくつかのプロセスエキスパートから知識を集める際に発生する、専門家が提供するパラメータ間の矛盾を検出し解決する特別なアルゴリズムが提示されている。
リチウムイオン電池製造における大規模, クロスプロセスベイズ障害ネットワークの構築と根源解析への応用により, この総括的手法の有効性を示す。
関連論文リスト
- Characterization of Large Language Model Development in the Datacenter [57.49531095113406]
大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。
しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。
我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
論文 参考訳(メタデータ) (2024-03-12T13:31:14Z) - See More Details: Efficient Image Super-Resolution by Experts Mining [85.13365491193409]
本稿では,エキスパートマイニングを用いた効率的なSRモデルであるSeemoReを紹介する。
当社のアプローチは、さまざまなレベルの専門家を戦略的に取り入れ、協調的な方法論を採用しています。
正確なSRに欠かせない重要な要素を専門に扱うことで、我々のモデルは複雑な機能内詳細を明らかにすることに長けています。
論文 参考訳(メタデータ) (2024-02-05T16:11:04Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Depth analysis of battery performance based on a data-driven approach [5.778648596769691]
容量の減少は、細胞の応用における最も難解な問題の1つである。
サイクルを通してのセルの容量変化を機械学習技術を用いて予測する。
論文 参考訳(メタデータ) (2023-08-30T08:15:27Z) - In situ Fault Diagnosis of Indium Tin Oxide Electrodes by Processing
S-Parameter Patterns [2.1178416840822027]
酸化インジウム(ITO)電極は、ディスプレイ、センサー、太陽電池などの光エレクトロニクスにおいて重要な役割を担っている。
従来の視覚検査は透明ITO電極では困難である。
次に、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、トランスフォーマーなどのディープラーニングアプローチを使用して、欠陥の原因と重症度を同時に解析する。
論文 参考訳(メタデータ) (2023-08-16T08:33:50Z) - Causal Discovery with Latent Confounders Based on Higher-Order Cumulants [37.006470883710755]
潜在共同設立者による因果関係の発見は、多くの科学分野において重要であるが難しい課題である。
オーバーコンプリート独立成分分析(OICA)に基づく手法が一部の領域で成功しているにもかかわらず、計算コストが高く、局所最適状態に陥りやすい。
本稿では,OICA に対する 1-Latent-Component 構造に対応する閉形式解を提案する。
論文 参考訳(メタデータ) (2023-05-31T05:59:42Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Experts in the Loop: Conditional Variable Selection for Accelerating
Post-Silicon Analysis Based on Deep Learning [6.6357750579293935]
シリコン後検証は半導体製造において最も重要なプロセスの1つである。
この研究は、専門家をループに留めつつ、新しい条件変数選択アプローチを設計することを目的としている。
論文 参考訳(メタデータ) (2022-09-30T06:12:12Z) - Relational Reasoning via Set Transformers: Provable Efficiency and
Applications to MARL [154.13105285663656]
置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。
残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。
モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
論文 参考訳(メタデータ) (2022-09-20T16:42:59Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳(メタデータ) (2021-12-19T15:17:20Z) - Feature Analyses and Modelling of Lithium-ion Batteries Manufacturing
based on Random Forest Classification [11.383940389885044]
本稿では、電池製造特性の重要性と相関を定量化するためのランダムフォレスト(RF)に基づく分類フレームワークの提案と、電極特性の分類に対する影響について述べる。
3つの定量指標によるバッテリ生産特性の重要性と相関を同時に定量化するための体系的なRFフレームワークを設計するのは,これが初めてである。
論文 参考訳(メタデータ) (2021-02-10T11:56:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。