論文の概要: Merging Subject Matter Expertise and Deep Convolutional Neural Network for State-Based Online Machine-Part Interaction Classification

• arxiv url: http://arxiv.org/abs/2112.04572v1
• Date: Wed, 8 Dec 2021 20:23:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 15:46:07.276011
• Title: Merging Subject Matter Expertise and Deep Convolutional Neural Network for State-Based Online Machine-Part Interaction Classification
• Title（参考訳）: 状態に基づくオンライン機械部品インタラクション分類のための主題知識と深層畳み込みニューラルネットワークの融合
• Authors: Hao Wang, Yassine Qamsane, James Moyne, Kira Barton
• Abstract要約: 機械部品のインタラクション分類は、スマートマニュファクチャリング(SM)の重要イネーブルであるCyber-Physical Systems(CPS)が必要とする重要な機能である 本研究では,Deep Convolutional Neural Network (CNN) ベースのフレームワークを用いて,機械部品間相互作用の点検出と時系列分類を行う。
• 参考スコア（独自算出の注目度）: 5.216662889312795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-part interaction classification is a key capability required by Cyber-Physical Systems (CPS), a pivotal enabler of Smart Manufacturing (SM). While previous relevant studies on the subject have primarily focused on time series classification, change point detection is equally important because it provides temporal information on changes in behavior of the machine. In this work, we address point detection and time series classification for machine-part interactions with a deep Convolutional Neural Network (CNN) based framework. The CNN in this framework utilizes a two-stage encoder-classifier structure for efficient feature representation and convenient deployment customization for CPS. Though data-driven, the design and optimization of the framework are Subject Matter Expertise (SME) guided. An SME defined Finite State Machine (FSM) is incorporated into the framework to prohibit intermittent misclassifications. In the case study, we implement the framework to perform machine-part interaction classification on a milling machine, and the performance is evaluated using a testing dataset and deployment simulations. The implementation achieved an average F1-Score of 0.946 across classes on the testing dataset and an average delay of 0.24 seconds on the deployment simulations.
• Abstract（参考訳）: 機械部品の相互作用分類は、スマートマニュファクチャリング(SM)の重要イネーブルであるCyber-Physical Systems(CPS)が必要とする重要な能力である。 過去の関連する研究は主に時系列分類に焦点を当てていたが、マシンの動作変化に関する時間的情報を提供するため、変化点検出は同様に重要である。 本研究では,Deep Convolutional Neural Network (CNN) ベースのフレームワークを用いて,機械部品間相互作用の点検出と時系列分類を行う。 このフレームワークのCNNは、2段階のエンコーダ分類構造を利用して、CPSの効率的な特徴表現と便利なデプロイメントカスタマイズを行う。 データ駆動型ではあるが、このフレームワークの設計と最適化は、SME(Subject Matter Expertise)がガイドされている。 間欠的誤分類を禁止するために、FSM(SME defined Finite State Machine)がフレームワークに組み込まれている。 本研究では,ミリングマシン上で機械部品間インタラクションの分類を行うためのフレームワークを実装し,テストデータセットとデプロイメントシミュレーションを用いて性能評価を行う。 テストデータセット上のクラスの平均F1スコアは0.946で、デプロイシミュレーションでは平均0.24秒遅れた。

関連論文リスト

• Practical Performance of a Distributed Processing Framework for Machine-Learning-based NIDS [0.4419843514606336]
  機械学習に基づくNIDSのための分散処理フレームワークが文献で提案されている。 このフレームワークに基づいた5つの代表的な分類器を実装し、そのスループットとレイテンシを評価する。
  論文  参考訳（メタデータ） (2024-05-20T16:14:39Z)
• Autoencoder Based Iterative Modeling and Multivariate Time-Series Subsequence Clustering Algorithm [0.0]
  本稿では、過渡時系列データ(MTSD)における変化点の検出と対応する部分列の同定のためのアルゴリズムを提案する。 我々は、リカレントニューラルネットワーク(RNN)ベースのオートエンコーダ(AE)を用いて、入ってくるデータに基づいて反復的に訓練する。 同定されたサブシーケンスのモデルを保存し、繰り返しサブシーケンスの認識と高速オフラインクラスタリングに使用する。
  論文  参考訳（メタデータ） (2022-09-09T09:59:56Z)
• SIM-Trans: Structure Information Modeling Transformer for Fine-grained Visual Categorization [59.732036564862796]
  本稿では,オブジェクト構造情報を変換器に組み込んだSIM-Trans(Structure Information Modeling Transformer)を提案する。 提案した2つのモジュールは軽量化されており、任意のトランスフォーマーネットワークにプラグインでき、エンドツーエンドで容易に訓練できる。 実験と解析により,提案したSIM-Transが細粒度視覚分類ベンチマークの最先端性能を達成することを示した。
  論文  参考訳（メタデータ） (2022-08-31T03:00:07Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet [0.2936007114555107]
  運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。 信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。 ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
  論文  参考訳（メタデータ） (2021-05-17T14:57:13Z)
• A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
  デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。 以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。 クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
  論文  参考訳（メタデータ） (2020-11-03T03:27:18Z)
• Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
  S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。 本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。 空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-19T04:25:10Z)
• Comparison of Evolving Granular Classifiers applied to Anomaly Detection for Predictive Maintenance in Computing Centers [2.617178882286492]
  CERN(European Organization for Nuclear Research, 欧州原子力研究機構)の物理実験を支援する世界規模のコンピューティンググリッドについて、ログベースのコンピューティングセンターの予測保守が主な関心事である。 目標は、連続的に変更可能なグリッド環境から重要な情報を取得し、分類モデルを構築することである。 我々は,4クラスのオンライン異常分類問題を定式化し,ランドマーク間の時間ウィンドウと2つの粒度計算手法,すなわちFazy-set-based evolution Modeling (FBeM)とGranular Neural Network (eGNN)を併用した。 分類の結果は、特定の時間間隔に優先順位を付けることができるため、予測的保守にとって最も重要である。
  論文  参考訳（メタデータ） (2020-04-08T14:08:50Z)
• AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
  自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
  論文  参考訳（メタデータ） (2020-03-25T06:53:54Z)
• An Efficient Framework for Automated Screening of Clinically Significant Macular Edema [0.41998444721319206]
  本研究は,臨床上重要な黄斑浮腫(CSME)の自動スクリーニングのための新しいアプローチを提案する。 提案手法は、トレーニング済みのディープニューラルネットワークとメタヒューリスティックな特徴選択を組み合わせたものである。 スクイードデータセットの効果を克服するために、機能領域のオーバーサンプリング技術が使用されている。
  論文  参考訳（メタデータ） (2020-01-20T07:34:13Z)

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。