論文の概要: Reinforcement Learning-based Defect Mitigation for Quality Assurance of
Additive Manufacturing
- arxiv url: http://arxiv.org/abs/2210.17272v1
- Date: Fri, 28 Oct 2022 15:23:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 19:40:57.544526
- Title: Reinforcement Learning-based Defect Mitigation for Quality Assurance of
Additive Manufacturing
- Title(参考訳): 付加製造業の品質保証のための強化学習に基づく欠陥軽減
- Authors: Jihoon Chung, Bo Shen, Andrew Chung Chee Law, Zhenyu (James) Kong
- Abstract要約: アダプティブ・マニュファクチャリング(AM)は、様々な材料を用いて複雑な3Dジオメトリーを生産する強力な技術である。
印刷中に新たな欠陥が発生する可能性があるが、オフライン分析ツールでは軽減できない。
本稿では,印刷中の新たな欠陥に対処するためのオンライン学習に基づく手法を提案する。
- 参考スコア(独自算出の注目度): 5.225026952905702
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Additive Manufacturing (AM) is a powerful technology that produces complex 3D
geometries using various materials in a layer-by-layer fashion. However,
quality assurance is the main challenge in AM industry due to the possible
time-varying processing conditions during AM process. Notably, new defects may
occur during printing, which cannot be mitigated by offline analysis tools that
focus on existing defects. This challenge motivates this work to develop online
learning-based methods to deal with the new defects during printing. Since AM
typically fabricates a small number of customized products, this paper aims to
create an online learning-based strategy to mitigate the new defects in AM
process while minimizing the number of samples needed. The proposed method is
based on model-free Reinforcement Learning (RL). It is called Continual
G-learning since it transfers several sources of prior knowledge to reduce the
needed training samples in the AM process. Offline knowledge is obtained from
literature, while online knowledge is learned during printing. The proposed
method develops a new algorithm for learning the optimal defect mitigation
strategies proven the best performance when utilizing both knowledge sources.
Numerical and real-world case studies in a fused filament fabrication (FFF)
platform are performed and demonstrate the effectiveness of the proposed
method.
- Abstract(参考訳): アダプティブ・マニュファクチャリング (AM) は, 様々な材料を用いた複雑な3次元ジオメトリーを層単位で製造する強力な技術である。
しかし、AMプロセス中の時間変化の可能な処理条件のため、AM業界では品質保証が主な課題である。
特に、印刷中に新しい欠陥が発生する可能性があり、既存の欠陥に焦点を当てたオフライン分析ツールによって緩和できない。
この課題は、印刷中の新たな欠陥に対処するオンライン学習ベースの手法を開発することの動機となっている。
本論文は,AMプロセスにおける新たな欠陥を軽減し,必要なサンプル数を最小化しつつ,オンライン学習ベースの戦略を構築することを目的としている。
提案手法はモデルレス強化学習(RL)に基づく。
AMプロセスに必要なトレーニングサンプルを減らすために、いくつかの事前知識のソースを転送するため、連続的なGラーニングと呼ばれている。
オフラインの知識は文学から、オンラインの知識は印刷中に学習される。
提案手法は,両知識源を用いた場合の最適欠陥軽減戦略を学習するための新しいアルゴリズムを開発した。
溶融フィラメント加工(FFF)プラットフォームにおける数値解析および実世界のケーススタディを行い,提案手法の有効性を実証した。
関連論文リスト
- Pseudo Replay-based Class Continual Learning for Online New Category
Anomaly Detection in Additive Manufacturing [5.4754728413969405]
本稿では,クラスインクリメンタルラーニングとオーバーサンプリングベースデータ生成を統合した,新しい擬似リプレイ型連続学習を開発する。
本フレームワークの有効性を添加製造プロセスで検証する。
論文 参考訳(メタデータ) (2023-12-05T04:43:23Z) - Towards a Deep Learning-based Online Quality Prediction System for
Welding Processes [4.923235962860045]
溶接プロセスは, 材料特性, プロセス条件, 溶接品質の複雑な原因-効果関係を特徴とする。
ディープラーニングは、利用可能なプロセスデータ内の関係を特定し、プロセス観察から溶接品質を予測する能力を提供する。
本稿では,GMAWにおけるディープラーニングに基づく予測品質システムの概念を提案する。
論文 参考訳(メタデータ) (2023-10-19T10:35:50Z) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳(メタデータ) (2023-10-11T15:21:40Z) - Automatically Correcting Large Language Models: Surveying the landscape
of diverse self-correction strategies [104.32199881187607]
大規模言語モデル(LLM)は、幅広いNLPタスクで顕著な性能を示した。
これらの欠陥を正すための有望なアプローチは自己補正であり、LLM自体が自身の出力で問題を修正するために誘導される。
本稿では,この新技術について概観する。
論文 参考訳(メタデータ) (2023-08-06T18:38:52Z) - TeSLA: Test-Time Self-Learning With Automatic Adversarial Augmentation [13.515566909672188]
本稿では,TeSLAと呼ばれる自動適応型自己学習手法を提案する。
我々は,相互情報とオンライン知識蒸留との密接な関係を通じて,新たなテスト時間損失関数を導入する。
提案手法は,いくつかのベンチマークやドメインシフトのタイプにおいて,最先端の分類とセグメンテーション結果を実現する。
論文 参考訳(メタデータ) (2023-03-17T10:15:13Z) - 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) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - A New Knowledge Distillation Network for Incremental Few-Shot Surface
Defect Detection [20.712532953953808]
本稿では,DKAN(Dual Knowledge Align Network)と呼ばれる新しい知識蒸留ネットワークを提案する。
提案したDKAN法は,事前学習型ファインタニング伝達学習パラダイムを踏襲し,ファインタニングのための知識蒸留フレームワークを設計した。
Few-shot NEU-DETデータセットをインクリメンタルに実験した結果、DKANは様々なシーンで他の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-09-01T15:08:44Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-17T09:51:30Z) - Toward Enabling a Reliable Quality Monitoring System for Additive
Manufacturing Process using Deep Convolutional Neural Networks [0.0]
本稿では, 深層畳み込みニューラルネットワーク(CNN)モデルを用いて, 添加物製造(AM)プロセスの自動品質評価システムを提案する。
CNNモデルは, 層間積層における内部および表面欠陥の画像を用いてオフラインで訓練し, 異なる押出成形速度と温度でAMプロセスの故障を検出し, 分類する性能について検討した。
提案するオンラインモデルでは,AMプロセスに自動で一貫した非接触品質制御信号が付加され,完全構築後の部品の手動検査が不要になる。
論文 参考訳(メタデータ) (2020-03-06T20:49:20Z)
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。