論文の概要: Digital-twin-enhanced metal tube bending forming real-time prediction
method based on Multi-source-input MTL
- arxiv url: http://arxiv.org/abs/2207.00961v1
- Date: Sun, 3 Jul 2022 05:49:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 13:05:16.068935
- Title: Digital-twin-enhanced metal tube bending forming real-time prediction
method based on Multi-source-input MTL
- Title（参考訳）: マルチソースMTLを用いたディジタルツイン強化金属管曲げ加工のリアルタイム予測法
- Authors: Chang Sun (1), Zili Wang (1 and 2), Shuyou Zhang (1 and 2), Taotao
Zhou (1), Jie Li (1), Jianrong Tan (1 and 2)
- Abstract要約: 形成精度は、バネバックやその他の潜在的な形成欠陥により深刻な影響を受ける。
既存の手法は主にオフライン空間で行われ、物理世界のリアルタイム情報を無視している。
本稿では,ディジタルツイン強化(DT強化)金属管の曲げ加工をリアルタイムに予測する手法を提案する。
- 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: As one of the most widely used metal tube bending methods, the rotary draw
bending (RDB) process enables reliable and high-precision metal tube bending
forming (MTBF). The forming accuracy is seriously affected by the springback
and other potential forming defects, of which the mechanism analysis is
difficult to deal with. At the same time, the existing methods are mainly
conducted in offline space, ignoring the real-time information in the physical
world, which is unreliable and inefficient. To address this issue, a
digital-twin-enhanced (DT-enhanced) metal tube bending forming real-time
prediction method based on multi-source-input multi-task learning (MTL) is
proposed. The new method can achieve comprehensive MTBF real-time prediction.
By sharing the common feature of the multi-close domain and adopting group
regularization strategy on feature sharing and accepting layers, the accuracy
and efficiency of the multi-source-input MTL can be guaranteed. Enhanced by DT,
the physical real-time deformation data is aligned in the image dimension by an
improved Grammy Angle Field (GAF) conversion, realizing the reflection of the
actual processing. Different from the traditional offline prediction methods,
the new method integrates the virtual and physical data to achieve a more
efficient and accurate real-time prediction result. and the DT mapping
connection between virtual and physical systems can be achieved. To exclude the
effects of equipment errors, the effectiveness of the proposed method is
verified on the physical experiment-verified FE simulation scenarios. At the
same time, the common pre-training networks are compared with the proposed
method. The results show that the proposed DT-enhanced prediction method is
more accurate and efficient.
- Abstract（参考訳）: 最も広く使われている金属管曲げ法の一つとして、ロータリードローイング曲げ(RDB)プロセスは、信頼性が高く高精度な金属管曲げ成形(MTBF)を可能にする。
形成精度は, メカニズム解析が困難であるばねバックおよび他の潜在的な形成欠陥に深刻な影響を受ける。
同時に、既存の手法は主にオフライン空間で行われ、物理的世界のリアルタイム情報を無視している。
この問題に対処するため,マルチソース・インプット・マルチタスク・ラーニング(MTL)に基づくリアルタイム予測手法を提案する。
新しい手法は、総合的なMCBFリアルタイム予測を実現することができる。
マルチクローズドメインの共通機能を共有し、特徴共有と受け入れ層にグループ正規化戦略を採用することにより、マルチソースMTLの精度と効率を保証できる。
dtにより強化された物理実時間変形データは、改良されたグラミーアングルフィールド(gaf)変換により画像次元に整列され、実際の処理の反映を実現する。
従来のオフライン予測方法とは異なり、新しい手法は仮想データと物理データを統合し、より効率的で正確なリアルタイム予測結果を実現する。
そして、仮想システムと物理システムの間のDTマッピング接続を実現することができる。
機器誤差の影響を排除するため,本手法の有効性を物理実験で検証したFEシミュレーションシナリオで検証した。
同時に、一般的な事前学習ネットワークを提案手法と比較する。
その結果,提案手法はより正確かつ効率的であることがわかった。
関連論文リスト
- Calibrating Wireless Ray Tracing for Digital Twinning using Local Phase
Error Estimates [43.74603122703253]
レイトレーシング(RT)は、次世代無線システムの無線アクセスネットワーク(RAN)セグメントのDTを可能にする技術として広く見なされている。
RTヒンジの有効性は、RTが想定する電磁特性の実際のチャネル条件への適応に影響を及ぼす。
本稿では,チャネル応答における位相誤差を推定・補償する新しいチャネル応答に基づく手法を提案する。
論文 参考訳（メタデータ） (2023-12-19T22:01:59Z) - Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Domain adaption and physical constrains transfer learning for shale gas
production [0.26440512250125126]
本稿では,ドメイン適応と物理制約を利用した新しい移動学習手法を提案する。
この手法は、データ分散の観点からの負の転送を減らすために、ソースドメインからの履歴データを効果的に活用する。
掘削, 完成, 地質データを物理的制約として組み込むことで, ハイブリッドモデルを構築する。
論文 参考訳（メタデータ） (2023-12-18T04:13:27Z) - A peridynamic-informed deep learning model for brittle damage prediction [0.0]
熱力学的(PD)理論をPINNと組み合わせた新しい手法を提案し, 脆性材料における準静的損傷とき裂伝播を予測する。
提案したPD-INNは、異なる幾何学的パラメータに関連する複雑な変位パターンを学習し、捉えることができる。
論文 参考訳（メタデータ） (2023-10-02T17:12:20Z) - Adapting to Continuous Covariate Shift via Online Density Ratio
Estimation [90.62832273403077]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。
我々の目標は、予測者が時間とともに蓄積される予測リスクを最小限に抑えるように、適応的に予測者を訓練することである。
論文 参考訳（メタデータ） (2023-02-06T04:03:33Z) - Domain Adaptation via Alignment of Operation Profile for Remaining
Useful Lifetime Prediction [8.715570103753697]
本稿では,対向領域適応フレームワークに基づくRUL予測のための2つの新しいDA手法を提案する。
提案手法は、ソースドメイン内の操作プロファイルの各フェーズの限界分布を、ターゲットドメイン内の各フェーズと整合させる。
その結果,提案手法は現在の最先端DA法と比較してRUL予測の精度を向上させることがわかった。
論文 参考訳（メタデータ） (2023-02-03T13:02:27Z) - SAL-CNN: Estimate the Remaining Useful Life of Bearings Using
Time-frequency Information [0.0]
現代の工業生産において、軸受の残りの有用寿命(RUL)の予測能力は、システムの安全性と安定性に直接影響を及ぼす。
本稿では, 短時間フーリエ変換(STFT)を前処理として, エンドツーエンドのRUL予測手法を提案する。
信号列の時間相関を考慮すると、CNNでは、畳み込みブロックアテンションモジュールを組み込んだ長短のメモリネットワークが設計されている。
論文 参考訳（メタデータ） (2022-04-11T12:27:31Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳（メタデータ） (2021-11-11T14:28:12Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - BERT Loses Patience: Fast and Robust Inference with Early Exit [91.26199404912019]
本稿では,事前学習した言語モデルの効率性と堅牢性を向上させるためのプラグイン・アンド・プレイ手法として,Patience-based Early Exitを提案する。
提案手法では,モデルを少ないレイヤで予測できるため,推論効率が向上する。
論文 参考訳（メタデータ） (2020-06-07T13:38:32Z)
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。