論文の概要: Detecting Faults during Automatic Screwdriving: A Dataset and Use Case
of Anomaly Detection for Automatic Screwdriving
- arxiv url: http://arxiv.org/abs/2107.01955v1
- Date: Mon, 5 Jul 2021 11:46:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-06 14:42:25.646176
- Title: Detecting Faults during Automatic Screwdriving: A Dataset and Use Case
of Anomaly Detection for Automatic Screwdriving
- Title（参考訳）: 自動スクリュー走行中の故障検出:自動スクリュー走行における異常検出のデータセットとユースケース
- Authors: B{\l}a\.zej Leporowski, Daniella Tola, Casper Hansen and Alexandros
Iosifidis
- Abstract要約: 障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。
本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
- 参考スコア（独自算出の注目度）: 80.6725125503521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting faults in manufacturing applications can be difficult, especially
if each fault model is to be engineered by hand. Data-driven approaches, using
Machine Learning (ML) for detecting faults have recently gained increasing
interest, where a ML model can be trained on a set of data from a manufacturing
process. In this paper, we present a use case of using ML models for detecting
faults during automated screwdriving operations, and introduce a new dataset
containing fully monitored and registered data from a Universal Robot and
OnRobot screwdriver during both normal and anomalous operations. We illustrate,
with the use of two time-series ML models, how to detect faults in an automated
screwdriving application.
- Abstract（参考訳）: 製造アプリケーションにおける欠陥の検出は,特に手作業で各故障モデルを設計する場合は困難である。
障害検出に機械学習(ML)を使用するデータ駆動型アプローチは近年,製造プロセスからのデータセットに基づいてMLモデルをトレーニングする手段として,関心が高まっている。
本稿では,自動スクリュー運転時の故障検出にMLモデルを用い,正常動作と異常動作の両方において,ユニバーサルロボットとオンロボドライバーから完全に監視・登録されたデータを含む新しいデータセットを提案する。
我々は,2つの時系列mlモデルを用いて,自動スクリュー駆動アプリケーションにおける故障の検出方法を示す。
関連論文リスト
- The voraus-AD Dataset for Anomaly Detection in Robot Applications [24.583911041699086]
異常検出(AD)は、異常な事象を検出するために通常のデータのみを使用して、実用的な解決策を提供する。
本稿では,ロボットアプリケーションのための異常検出手法のトレーニングとベンチマークを可能にするデータセットを提案する。
異常検出のための新しいベースライン法としてMVT-Flowを提案する。
論文 参考訳（メタデータ） (2023-11-08T15:39:27Z) - Representing Timed Automata and Timing Anomalies of Cyber-Physical
Production Systems in Knowledge Graphs [51.98400002538092]
本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。
モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
論文 参考訳（メタデータ） (2023-08-25T15:25:57Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳（メタデータ） (2022-09-20T15:18:13Z) - Real-Time Predictive Maintenance using Autoencoder Reconstruction and
Anomaly Detection [0.2446672595462589]
回転機械故障検出システムは時代遅れであり、故障を発見するための定期的な試験に依存している。
リアルタイム監視は、手動による観察を必要とせずに障害を検出するソリューションを提供する。
本稿では,通常の作業動作をモデル化し,異常を検出する機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2021-10-01T12:25:25Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Machine Learning Model Drift Detection Via Weak Data Slices [5.319802998033767]
本研究では,データスライスと呼ばれる特徴空間規則を用いてドリフト検出を行う手法を提案する。
提案手法は,基礎となるデータの変化に基づいて,MLモデルが性能を変化させる可能性が示唆される。
論文 参考訳（メタデータ） (2021-08-11T16:55:34Z) - AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset [80.6725125503521]
本報告では,UR3eシリーズロボットとOnRobot Screwdriverを用いて作成したデータセットについて述べる。
その結果得られたデータは、正常および異常なロボット動作の2042のサンプルを含んでいる。
このデータを使用した短いMLベンチマークも提供されており、さらなる分析と実験のためのデータの適合性と可能性を示している。
論文 参考訳（メタデータ） (2021-02-02T09:59:23Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Out-Of-Bag Anomaly Detection [0.9449650062296822]
データ異常は、実世界のデータセットでユビキタスであり、機械学習(ML)システムに悪影響を及ぼす可能性がある。
本稿では,新しいモデルに基づく異常検出手法を提案し,その手法をアウト・オブ・バグ検出と呼ぶ。
本手法は,家庭評価のケーススタディを通じて,データ前処理のステップとして,MLシステムの精度と信頼性を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-09-20T06:01:52Z)
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。