論文の概要: An Industry 4.0 example: real-time quality control for steel-based mass production using Machine Learning on non-invasive sensor data

• arxiv url: http://arxiv.org/abs/2206.05818v1
• Date: Sun, 12 Jun 2022 19:06:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 17:57:53.589533
• Title: An Industry 4.0 example: real-time quality control for steel-based mass production using Machine Learning on non-invasive sensor data
• Title（参考訳）: 産業4.0:非侵襲型センサデータを用いた機械学習による鉄鋼量産のリアルタイム品質管理
• Authors: Michiel Straat, Kevin Koster, Nick Goet, Kerstin Bunte
• Abstract要約: 大量生産における鋼の不十分な品質は、工具、生産停止時間、品質の低い製品にコストがかかる可能性がある。 我々は,全材料をリアルタイムで測定する非接触非侵襲電磁センサを開発した。 線形モデルは、非侵襲的な2つの重要な材料特性から予測するために適合する。 モデルは、引張強度の仕様が切れた材料を予測する優れた性能(F3スコア0.95)を達成する。
• 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: Insufficient steel quality in mass production can cause extremely costly damage to tooling, production downtimes and low quality products. Automatic, fast and cheap strategies to estimate essential material properties for quality control, risk mitigation and the prediction of faults are highly desirable. In this work we analyse a high throughput production line of steel-based products. Currently, the material quality is checked using manual destructive testing, which is slow, wasteful and covers only a tiny fraction of the material. To achieve complete testing coverage our industrial collaborator developed a contactless, non-invasive, electromagnetic sensor to measure all material during production in real-time. Our contribution is three-fold: 1) We show in a controlled experiment that the sensor can distinguish steel with deliberately altered properties. 2) 48 steel coils were fully measured non-invasively and additional destructive tests were conducted on samples to serve as ground truth. A linear model is fitted to predict from the non-invasive measurements two key material properties (yield strength and tensile strength) that normally are obtained by destructive tests. The performance is evaluated in leave-one-coil-out cross-validation. 3) The resulting model is used to analyse the material properties and the relationship with logged product faults on real production data of ~108 km of processed material measured with the non-invasive sensor. The model achieves an excellent performance (F3-score of 0.95) predicting material running out of specifications for the tensile strength. The combination of model predictions and logged product faults shows that if a significant percentage of estimated yield stress values is out of specification, the risk of product faults is high. Our analysis demonstrates promising directions for real-time quality control, risk monitoring and fault detection.
• Abstract（参考訳）: 大量生産における鋼質の不足は、工具、生産停止時間、品質の低い製品に非常にコストがかかる。 品質管理, リスク軽減, および断層予測のための重要な材料特性を推定するための, 自動的, 迅速かつ安価な戦略が極めて望ましい。 本研究では,鋼製製品の高スループット生産ラインを分析した。 現在、材料品質は手動による破壊試験で確認されており、これは遅い、無駄で、わずかしか材料をカバーしていない。 完全なテストカバレッジを達成するために、我々の産業協力者は接触なく非侵襲的な電磁センサを開発し、生産中のすべての物質をリアルタイムで測定した。 私たちの貢献は3倍です。 1) 制御実験では, 故意に変形した特性で鋼を識別できることを示した。 2)48本の鋼コイルを非侵襲的に完全に測定し, 試料の破壊試験を行った。 線形モデルは、通常破壊試験によって得られる2つの重要な材料特性(降伏強度と引張強度)から、非侵襲的な測定から予測する。 残留コイルアウトクロスバリデーションで性能を評価する。 3) 得られたモデルを用いて, 非侵襲センサを用いて測定した加工材料約108kmの実生産データから, 材料特性とログ製品故障との関係を解析した。 モデルは、引張強度の仕様が切れた材料を予測する優れた性能(F3スコア0.95)を達成する。 モデル予測とログ製品故障の組み合わせは、推定利回りストレス値のかなりの割合が仕様外である場合、製品故障のリスクが高いことを示している。 本分析は, リアルタイム品質管理, リスクモニタリング, 故障検出のための有望な方向を示す。

関連論文リスト

• Foundation Model for Composite Materials and Microstructural Analysis [49.1574468325115]
  複合材料に特化して設計された基礎モデルを提案する。 我々のモデルは、頑健な潜伏特性を学習するために、短繊維コンポジットのデータセット上で事前訓練されている。 転送学習中、MMAEはR2スコアが0.959に達し、限られたデータで訓練しても0.91を超えている均質化剛性を正確に予測する。
  論文  参考訳（メタデータ） (2024-11-10T19:06:25Z)
• Calibrated Uncertainty Quantification for Operator Learning via Conformal Prediction [95.75771195913046]
  本稿では, リスク制御型量子ニューラル演算子, 分布のない有限サンプル機能キャリブレーション等式予測法を提案する。 関数領域上の点の期待値として定義されるカバレッジ率に関する理論的キャリブレーションを保証する。 2次元ダーシー流と3次元自動車表面圧力予測タスクに関する実験結果から,我々の理論的結果が検証された。
  論文  参考訳（メタデータ） (2024-02-02T23:43:28Z)
• A Pretrainer's Guide to Training Data: Measuring the Effects of Data Age, Domain Coverage, Quality, & Toxicity [84.6421260559093]
  この研究は、テキスト事前学習に関する文書化されていない直観を検証、定量化、公開するための最大の実験である。 以上の結果から,トレーニングデータをフィルタリングする一大ソリューションが存在しないことが示唆された。
  論文  参考訳（メタデータ） (2023-05-22T15:57:53Z)
• In-situ Anomaly Detection in Additive Manufacturing with Graph Neural Networks [0.0]
  モデルはレーザー入力情報に基づいてトレーニングされ、名目上のレーザー融解条件を予測する。 そして、予測値と新しい観測値との差を取り、異常スコアを算出する。 このモデルは、既知の欠陥のあるデータセット上で評価され、F1スコアは0.821である。
  論文  参考訳（メタデータ） (2023-05-04T10:10:33Z)
• 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)
• Active Learning and Approximate Model Calibration for Automated Visual Inspection in Manufacturing [0.415623340386296]
  本研究は,3つの積極的学習アプローチ(単一と複数オーラクル)と視覚検査を比較した。 本稿では,分類モデルの確率キャリブレーションに対する新しいアプローチと,基礎的真理を必要とせずにキャリブレーションの性能を評価するための2つの新しい指標を提案する。
  論文  参考訳（メタデータ） (2022-09-12T15:00:29Z)
• Convolutional neural networks and multi-threshold analysis for contamination detection in the apparel industry [0.0]
  この研究は、完成品の小さな部品が与える汚染を自動的に検出するものである。 検出器は実際の生産工場に配備された。
  論文  参考訳（メタデータ） (2022-07-26T08:21:41Z)
• Machine Learning-Based Soft Sensors for Vacuum Distillation Unit [5.728037880354686]
  製品の品質は、プロセスの製品が仕様の範囲内かどうかを知らせる重要な特性である。 この問題に対処する戦略の1つはソフトセンサーである。 ソフトセンサー(Soft Sensor)は、頻繁な測定特性の予測と予測に使用できるモデルの集合である。
  論文  参考訳（メタデータ） (2021-11-19T15:30:43Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)

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。