論文の概要: A Novel Sparse Bayesian Learning and Its Application to Fault Diagnosis
for Multistation Assembly Systems
- arxiv url: http://arxiv.org/abs/2210.16176v1
- Date: Fri, 28 Oct 2022 14:47:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 17:25:28.061381
- Title: A Novel Sparse Bayesian Learning and Its Application to Fault Diagnosis
for Multistation Assembly Systems
- Title（参考訳）: 新しいスパースベイズ学習とマルチステーション組立システムにおける故障診断への応用
- Authors: Jihoon Chung, Bo Shen, and Zhenyu (James) Kong
- Abstract要約: 本稿では,マルチステーション組立システムにおける故障診断の問題に対処する。
欠陥診断は、次元測定を用いて製品の過度な次元変化を引き起こすプロセス欠陥を特定することである。
- 参考スコア（独自算出の注目度）: 5.225026952905702
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper addresses the problem of fault diagnosis in multistation assembly
systems. Fault diagnosis is to identify process faults that cause the excessive
dimensional variation of the product using dimensional measurements. For such
problems, the challenge is solving an underdetermined system caused by a common
phenomenon in practice; namely, the number of measurements is less than that of
the process errors. To address this challenge, this paper attempts to solve the
following two problems: (1) how to utilize the temporal correlation in the time
series data of each process error and (2) how to apply prior knowledge
regarding which process errors are more likely to be process faults. A novel
sparse Bayesian learning method is proposed to achieve the above objectives.
The method consists of three hierarchical layers. The first layer has
parameterized prior distribution that exploits the temporal correlation of each
process error. Furthermore, the second and third layers achieve the prior
distribution representing the prior knowledge of process faults. Then, these
prior distributions are updated with the likelihood function of the measurement
samples from the process, resulting in the accurate posterior distribution of
process faults from an underdetermined system. Since posterior distributions of
process faults are intractable, this paper derives approximate posterior
distributions via Variational Bayes inference. Numerical and simulation case
studies using an actual autobody assembly process are performed to demonstrate
the effectiveness of the proposed method.
- Abstract（参考訳）: 本稿では,マルチステーション組立システムにおける故障診断の問題に対処する。
欠陥診断は、次元測定を用いて製品の過度な次元変化を引き起こすプロセス欠陥を特定することである。
このような問題に対して、課題は、実際によくある現象によって引き起こされる不確定なシステム、すなわち、測定回数がプロセスエラーよりも少ないシステムを解決することである。
そこで本研究では,(1)プロセスエラーの時系列データにおける時間相関の活用方法,(2)プロセスエラーがプロセス障害となる確率の高いプロセスエラーに関する事前知識の適用方法,の2つの課題を解決しようと試みる。
上記の目的を達成するために,新しい疎ベイズ学習法を提案する。
方法は3つの階層構造からなる。
第1層は、各プロセスエラーの時間的相関を利用する事前分布をパラメータ化している。
さらに、第2層と第3層は、プロセス欠陥の事前知識を表す事前分布を達成する。
そして、これらの先行分布をプロセスからの測定サンプルの確率関数で更新し、過小判定されたシステムからプロセス障害の正確な後部分布を導出する。
プロセス欠陥の後方分布は難解であるため,変分ベイズ推定により近似的な後方分布を導出する。
提案手法の有効性を実証するために,実車体組立プロセスを用いた数値およびシミュレーションケーススタディを行った。
関連論文リスト
- High-Dimensional Markov-switching Ordinary Differential Processes [23.17395115394655]
まず, 離散サンプルから連続サンプル経路を復元し, プロセスのパラメータを推定する2段階アルゴリズムを開発した。
我々は,その過程が$beta$-mixingである場合の統計的誤差と線形収束保証に関する新しい理論的知見を提供する。
本モデルを用いて,ADHD群と正常制御群における静止状態脳ネットワークの差異について検討する。
論文 参考訳（メタデータ） (2024-12-30T18:41:28Z) - Fault Detection and Identification Using a Novel Process Decomposition Algorithm for Distributed Process Monitoring [0.0]
この研究は、相互作用する測定のプロセスブロックを決定する新しいアルゴリズムを導入する。
また、異なる断層の大きさをスケールする新しいコントリビューションマップも定義します。
提案手法は,最も洗練された集中型あるいは分散型の手法と同等の故障検出率を示す。
論文 参考訳（メタデータ） (2024-09-17T01:17:56Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Continual learning for surface defect segmentation by subnetwork
creation and selection [55.2480439325792]
破滅的な忘れを伴わずにセグメンテーションタスクを実行する,新たな連続的(あるいは寿命の長い)学習アルゴリズムを導入する。
この方法は、2つの異なる表面欠陥分割問題に適用され、漸進的に学習される。
当社のアプローチでは,すべてのトレーニングデータ(すべての欠陥)を同時に見る場合,共同トレーニングと同等の結果が得られます。
論文 参考訳（メタデータ） (2023-12-08T15:28:50Z) - Anomaly Detection via Learning-Based Sequential Controlled Sensing [25.282033825977827]
本稿では,学習に基づく制御センシングによるバイナリプロセス間の異常検出の問題に対処する。
異常を識別するために、意思決定エージェントは、各時点でプロセスのサブセットを観察することができる。
我々の目標は、どの過程を観察するかを動的に決定するシーケンシャルな選択ポリシーを設計することである。
論文 参考訳（メタデータ） (2023-11-30T07:49:33Z) - A Sparse Bayesian Learning for Diagnosis of Nonstationary and Spatially
Correlated Faults with Application to Multistation Assembly Systems [3.4991031406102238]
本稿では,空間的に相関したスパースベイズ学習(CSSBL)をクラスタリングする新しい故障診断手法を提案する。
提案手法の有効性は,実際の自己体組立システムを用いた数値および実世界のケーススタディによって検証される。
提案手法の一般化により,コミュニケーションや医療システムなど他の領域の故障診断に応用できる。
論文 参考訳（メタデータ） (2023-10-20T23:56:53Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - Power System Anomaly Detection and Classification Utilizing WLS-EKF
State Estimation and Machine Learning [0.0]
電力系統の状態推定は様々な種類の異常に直面している。
これらは、粗大な測定エラーや通信システム障害によって引き起こされる悪いデータを含むかもしれない。
電力グリッドをサイバー物理システムとして考えると、状態推定は偽のデータ注入攻撃に対して脆弱になる。
論文 参考訳（メタデータ） (2022-09-26T12:24:59Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Robust Calibration with Multi-domain Temperature Scaling [86.07299013396059]
我々は,複数の領域からのデータを活用することで,分散シフトを処理するシステムキャリブレーションモデルを開発した。
提案手法は,分布シフト時のキャリブレーションを改善するために,領域内のロバスト性を利用する。
論文 参考訳（メタデータ） (2022-06-06T17:32:12Z) - Factual Error Correction for Abstractive Summaries Using Entity
Retrieval [57.01193722520597]
本稿では,エンティティ検索後処理に基づく効率的な事実誤り訂正システムRFECを提案する。
RFECは、原文と対象要約とを比較して、原文から証拠文を検索する。
次に、RFECは、エビデンス文を考慮し、要約中のエンティティレベルのエラーを検出し、エビデンス文から正確なエンティティに置換する。
論文 参考訳（メタデータ） (2022-04-18T11:35:02Z)
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。