論文の概要: Identifying Cause-and-Effect Relationships of Manufacturing Errors using
Sequence-to-Sequence Learning
- arxiv url: http://arxiv.org/abs/2205.02827v1
- Date: Thu, 5 May 2022 17:57:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 15:17:56.777668
- Title: Identifying Cause-and-Effect Relationships of Manufacturing Errors using
Sequence-to-Sequence Learning
- Title（参考訳）: sequence-to-sequence learning による製造誤差の因果関係の同定
- Authors: Jeff Reimer, Yandong Wang, Sofiane Laridi, Juergen Urdich, S\"oren
Wilmsmeier, Gregory Palmer
- Abstract要約: 自動車製造分析システムは、深層学習を用いて、ソースとノックオンエラーのリンクを確立する。
我々は、Volkswagen Commercial Vehiclesによって記録された実世界の自動車生産データセットに関する枠組みを評価した。
- 参考スコア（独自算出の注目度）: 2.5102330320156447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In car-body production the pre-formed sheet metal parts of the body are
assembled on fully-automated production lines. The body passes through multiple
stations in succession, and is processed according to the order requirements.
The timely completion of orders depends on the individual station-based
operations concluding within their scheduled cycle times. If an error occurs in
one station, it can have a knock-on effect, resulting in delays on the
downstream stations. To the best of our knowledge, there exist no methods for
automatically distinguishing between source and knock-on errors in this
setting, as well as establishing a causal relation between them. Utilizing
real-time information about conditions collected by a production data
acquisition system, we propose a novel vehicle manufacturing analysis system,
which uses deep learning to establish a link between source and knock-on
errors. We benchmark three sequence-to-sequence models, and introduce a novel
composite time-weighted action metric for evaluating models in this context. We
evaluate our framework on a real-world car production dataset recorded by
Volkswagen Commercial Vehicles. Surprisingly we find that 71.68% of sequences
contain either a source or knock-on error. With respect to seq2seq model
training, we find that the Transformer demonstrates a better performance
compared to LSTM and GRU in this domain, in particular when the prediction
range with respect to the durations of future actions is increased.
- Abstract（参考訳）: 車体製造において、車体のプレフォームシート金属部品を全自動生産ライン上に組み立てる。
体は連続して複数のステーションを通過し、注文に応じて処理される。
注文のタイムリーな完了は、スケジュールされたサイクル時間内での個々の駅ベースの操作に依存する。
ある駅でエラーが発生した場合、それはノックオン効果があり、下流の駅で遅延が発生する。
私たちの知る限りでは、この設定でソースとノックオンのエラーを自動的に区別する方法はなく、それらの間の因果関係を確立する方法もない。
生産データ取得システムによって収集された条件のリアルタイム情報を利用して、ディープラーニングを用いてソースとノックオンエラーのリンクを確立する新しい車両製造分析システムを提案する。
3つのシーケンス・トゥ・シーケンスモデルをベンチマークし、この文脈でモデルを評価するための新しい複合時間重み付けアクションメトリックを導入する。
我々は、Volkswagen Commercial Vehiclesによって記録された実世界の自動車生産データセットに関する枠組みを評価した。
驚いたことに、シーケンスの71.68%にはソースまたはノックオンエラーが含まれている。
Seq2seqモデルトレーニングに関して、Transformerはこの領域においてLSTMやGRUよりも優れた性能を示しており、特に将来の行動の持続時間に関する予測範囲が増加する。
関連論文リスト
- Predicting machine failures from multivariate time series: an industrial
case study [1.0435741631709405]
非ニューラル機械学習(ML)とディープラーニング(DL)モデルは、産業保守の文脈でシステム障害を予測するためにしばしば使用される。
本研究では, 予測窓の大きさと予測窓の大きさが, 故障予測モデルの性能に及ぼす影響について検討した。
論文 参考訳（メタデータ） (2024-02-27T09:07:59Z) - FreDF: Learning to Forecast in Frequency Domain [56.24773675942897]
時系列モデリングは、歴史的シーケンスとラベルシーケンスの両方に自己相関が存在するという点で、独特な課題である。
本稿では、周波数領域の予測を学習することでラベル自己相関の複雑さを回避できる周波数強調直接予測(FreDF)を導入する。
論文 参考訳（メタデータ） (2024-02-04T08:23:41Z) - Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be
Consistent [97.64313409741614]
本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。
CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
論文 参考訳（メタデータ） (2023-02-17T18:45:04Z) - AER: Auto-Encoder with Regression for Time Series Anomaly Detection [12.418290128163882]
時系列データの異常検出は、様々な産業領域でますます一般的になっている。
最近の教師なし機械学習手法は、この問題に対処する上で顕著な進歩を遂げている。
本稿では,バニラオートエンコーダとLSTM回帰器を組み合わせたジョイントモデルであるAER(Auto-encoder with Regression)を提案する。
論文 参考訳（メタデータ） (2022-12-27T17:22:21Z) - GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。
モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
論文 参考訳（メタデータ） (2022-11-13T06:32:28Z) - A Generative Approach for Production-Aware Industrial Network Traffic
Modeling [70.46446906513677]
ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。
我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。
可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
論文 参考訳（メタデータ） (2022-11-11T09:46:58Z) - 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) - Autoformer: Decomposition Transformers with Auto-Correlation for
Long-Term Series Forecasting [68.86835407617778]
Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。
長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
論文 参考訳（メタデータ） (2021-06-24T13:43:43Z) - On Disentanglement in Gaussian Process Variational Autoencoders [3.403279506246879]
時系列データ上で異なるタスクに成功しているモデルを最近導入した。
本モデルでは,各潜伏チャネルをGP前にモデル化し,構造的変動分布を用いることで,データの時間的構造を利用する。
実世界の医療時系列データから有意義な不整合表現を学習できる証拠を提供する。
論文 参考訳（メタデータ） (2021-02-10T15:49:27Z) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2020-06-24T23:13:11Z)
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。