論文の概要: Towards the Automation of a Chemical Sulphonation Process with Machine
Learning
- arxiv url: http://arxiv.org/abs/2009.12125v1
- Date: Fri, 25 Sep 2020 10:56:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 23:24:14.699048
- Title: Towards the Automation of a Chemical Sulphonation Process with Machine
Learning
- Title（参考訳）: 機械学習による化学sulphonationプロセスの自動化に向けて
- Authors: Enrique Garcia-Ceja, {\AA}smund Hugo, Brice Morin, Per-Olav Hansen,
Espen Martinsen, An Ngoc Lam, {\O}ystein Haugen
- Abstract要約: 本稿では,化学吸音過程における機械学習手法の適用結果について述べる。
プロセスパラメータからのデータを用いてランダムフォレスト、ニューラルネットワーク、線形回帰などの異なるモデルのトレーニングを行った。
実験の結果,これらの製品の品質値を精度良く予測することが可能であり,時間短縮の可能性があることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, the continuous improvement and automation of industrial processes
has become a key factor in many fields, and in the chemical industry, it is no
exception. This translates into a more efficient use of resources, reduced
production time, output of higher quality and reduced waste. Given the
complexity of today's industrial processes, it becomes infeasible to monitor
and optimize them without the use of information technologies and analytics. In
recent years, machine learning methods have been used to automate processes and
provide decision support. All of this, based on analyzing large amounts of data
generated in a continuous manner. In this paper, we present the results of
applying machine learning methods during a chemical sulphonation process with
the objective of automating the product quality analysis which currently is
performed manually. We used data from process parameters to train different
models including Random Forest, Neural Network and linear regression in order
to predict product quality values. Our experiments showed that it is possible
to predict those product quality values with good accuracy, thus, having the
potential to reduce time. Specifically, the best results were obtained with
Random Forest with a mean absolute error of 0.089 and a correlation of 0.978.
- Abstract（参考訳）: 今日では、産業プロセスの継続的改善と自動化が多くの分野において重要な要素となっているが、化学産業においては例外ではない。
これは資源をより効率的に利用し、生産時間を短縮し、品質を向上し、無駄を減らします。
今日の産業プロセスの複雑さを考えると、情報技術や分析を使わずに監視や最適化が不可能になる。
近年,機械学習手法がプロセスの自動化や意思決定支援に利用されている。
これらすべては、連続的に生成された大量のデータを分析することに基づいている。
本稿では,現在手作業で行われている製品品質分析の自動化を目的として,化学硫黄処理中の機械学習手法を適用した結果について述べる。
プロセスパラメータのデータをランダムフォレスト,ニューラルネットワーク,線形回帰などさまざまなモデルをトレーニングし,製品品質値を予測した。
実験により, 製品品質値を精度良く予測できることが示され, 時間を短縮できる可能性が示唆された。
具体的には, 平均絶対誤差0.089, 相関係数0.978のランダムフォレストを用いて, 最良の結果を得た。
関連論文リスト
- Root Cause Analysis Of Productivity Losses In Manufacturing Systems Utilizing Ensemble Machine Learning [0.0]
本研究では、データ駆動型アンサンブルアプローチを導入し、サイクル当たりの生産性損失を分析した。
アンサンブルアプローチは、情報理論や機械学習行動モデルなど、さまざまな手法を統合する。
半自動溶接製造システム、射出成形自動化システム、および合成生成試験PLCデータセットを用いて検証する。
論文 参考訳（メタデータ） (2024-07-31T10:21:20Z) - Rare Class Prediction Model for Smart Industry in Semiconductor Manufacturing [1.3955252961896323]
本研究では, 半導体製造プロセスから収集したIn situデータに対して, 希少なクラス予測手法を開発した。
第一の目的は、ノイズとクラス不均衡の問題に対処し、クラス分離を強化するモデルを構築することである。
ROC曲線はAUCが0.95、精度が0.66、リコールが0.96である。
論文 参考訳（メタデータ） (2024-06-06T22:09:43Z) - Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。
我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。
本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
論文 参考訳（メタデータ） (2024-05-20T09:28:23Z) - A Computer Vision-Based Quality Assessment Technique for the automatic control of consumables for analytical laboratories [0.0]
分析実験室で使用されるプラスチック消費財の製造プロセスにおいて, 新たな自動モニタリングシステムを提案する。
手動設計のディープ・ネットワーク・モデルを用いて、いくつかの最先端モデルと比較し、バイアルの異なるイメージを分類する能力について検討する。
我々のモデルは、その能力において著しく優れており、非常に少ないリソースを必要とします。
論文 参考訳（メタデータ） (2024-04-16T10:50:16Z) - Towards a Deep Learning-based Online Quality Prediction System for
Welding Processes [4.923235962860045]
溶接プロセスは, 材料特性, プロセス条件, 溶接品質の複雑な原因-効果関係を特徴とする。
ディープラーニングは、利用可能なプロセスデータ内の関係を特定し、プロセス観察から溶接品質を予測する能力を提供する。
本稿では,GMAWにおけるディープラーニングに基づく予測品質システムの概念を提案する。
論文 参考訳（メタデータ） (2023-10-19T10:35:50Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳（メタデータ） (2023-04-28T10:27:38Z) - Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
我々はミネラルウールのための視覚品質管理システムを開発した。
ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。
我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
論文 参考訳（メタデータ） (2022-11-01T13:58:02Z) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳（メタデータ） (2022-09-21T08:14:34Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - Including Sparse Production Knowledge into Variational Autoencoders to
Increase Anomaly Detection Reliability [3.867363075280544]
可変オートエンコーダニューラルネットワーク構造におけるラベル異常に関するまれな情報を用いて検討する。
この方法は、精度、正確さ、リコールの点で他の全てのモデルを上回る。
論文 参考訳（メタデータ） (2021-03-24T05:54:12Z) - Knowledge transfer across cell lines using Hybrid Gaussian Process
models with entity embedding vectors [62.997667081978825]
生物化学的プロセスを開発するために、多数の実験が実施されている。
既に開発されたプロセスのデータを利用して、新しいプロセスの予測を行い、必要な実験の数を大幅に削減できるだろうか。
論文 参考訳（メタデータ） (2020-11-27T17:38:15Z)
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。