論文の概要: Dynamic Interactional And Cooperative Network For Shield Machine
- arxiv url: http://arxiv.org/abs/2211.10473v1
- Date: Thu, 17 Nov 2022 07:38:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 23:33:09.621888
- Title: Dynamic Interactional And Cooperative Network For Shield Machine
- Title(参考訳): シールドマシンの動的相互作用と協調ネットワーク
- Authors: Dazhi Gao, Rongyang Li, Hongbo Wang, Lingfeng Mao and Huansheng Ning
- Abstract要約: シールドマシン(英: Shield Machine、SM)は、トンネル掘削に用いられる複雑な機械装置である。
SM速度予測やSM異常検出などの制御端末のモデルが確立された。
- 参考スコア(独自算出の注目度): 2.4560340485988132
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The shield machine (SM) is a complex mechanical device used for tunneling.
However, the monitoring and deciding were mainly done by artificial experience
during traditional construction, which brought some limitations, such as hidden
mechanical failures, human operator error, and sensor anomalies. To deal with
these challenges, many scholars have studied SM intelligent methods. Most of
these methods only take SM into account but do not consider the SM operating
environment. So, this paper discussed the relationship among SM, geological
information, and control terminals. Then, according to the relationship, models
were established for the control terminal, including SM rate prediction and SM
anomaly detection. The experimental results show that compared with baseline
models, the proposed models in this paper perform better. In the proposed
model, the R2 and MSE of rate prediction can reach 92.2\%, and 0.0064
respectively. The abnormal detection rate of anomaly detection is up to 98.2\%.
- Abstract(参考訳): シールドマシン (sm) はトンネル工事に用いられる複雑な機械装置である。
しかし、監視と決定は主に従来の建設中に人工的な経験によって行われ、隠れた機械的故障、人間の操作ミス、センサー異常などいくつかの制限がもたらされた。
これらの課題に対処するため、多くの学者がSMインテリジェントな手法を研究してきた。
これらの手法のほとんどはsmのみを考慮に入れるが、smの運用環境は考慮しない。
そこで本稿では,SM,地質情報,制御端末の関係について論じる。
そして, SM速度予測とSM異常検出を含む制御端末のモデルを構築した。
実験の結果, ベースラインモデルと比較して, 提案モデルの方が優れた性能を示した。
提案したモデルでは、レート予測のR2とMSEはそれぞれ92.2\%、0.0064に達する。
異常検出の異常検出率は98.2\%である。
関連論文リスト
- A SAM-guided Two-stream Lightweight Model for Anomaly Detection [50.28310943263051]
我々は、教師なし異常検出(STLM)のためのSAM誘導2ストリーム軽量モデルを提案する。
MVTec ADベンチマークを用いて行った実験により,約16Mのパラメータを持ち,20msの推論時間を実現したSTLMは,最先端の手法と効果的に競合することが示された。
論文 参考訳(メタデータ) (2024-02-29T13:29:10Z) - Modelling Cellular Perturbations with the Sparse Additive Mechanism
Shift Variational Autoencoder [6.352775857356592]
摂動モデルに対する合成性, 絡み合い, 解釈性を組み合わせたスパース加算機構シフト変分自動符号化器SAMS-VAEを提案する。
SAMS-VAEは、潜伏サンプルの潜伏状態を、潜伏介入効果のサンプル特異な変動と疎大なグローバル変数を捉えた局所潜伏変数の和としてモデル化する。
2つの一般的な単一セルシークエンシングデータセットを用いて,SAMS-VAEを定性的に評価した。
論文 参考訳(メタデータ) (2023-11-05T23:37:31Z) - Practical Anomaly Detection over Multivariate Monitoring Metrics for
Online Services [29.37493773435177]
CMAnomalyは、協調マシンに基づく多変量モニタリングメトリクスの異常検出フレームワークである。
提案するフレームワークは,Huawei Cloudの大規模オンラインサービスシステムから収集した公開データと産業データの両方で広く評価されている。
最先端のベースラインモデルと比較して、CMAnomalyは平均F1スコア0.9494を達成し、ベースラインの6.77%から10.68%を上回り、10倍から20倍速く走る。
論文 参考訳(メタデータ) (2023-08-19T08:08:05Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳(メタデータ) (2023-01-19T11:37:20Z) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳(メタデータ) (2022-12-05T05:03:46Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳(メタデータ) (2022-09-20T15:18:13Z) - 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) - Anomaly Detection for Multivariate Time Series on Large-scale Fluid
Handling Plant Using Two-stage Autoencoder [1.911678487931003]
本稿では,動的成分を有する大規模流体処理プラントにおける時系列データの異常検出に着目する。
このような植物に適した異常検出法として2段階自動エンコーダ(TSAE)を導入する。
論文 参考訳(メタデータ) (2022-05-20T01:41:39Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z) - Intelligent Road Inspection with Advanced Machine Learning; Hybrid
Prediction Models for Smart Mobility and Transportation Maintenance Systems [1.0773924713784704]
本稿では,インテリジェント道路検査のための新しい機械学習モデルを提案する。
提案モデルでは, 落下重量偏向計(FWD)による表面偏向データを用いて, 舗装条件指数(PCI)の予測を行う。
解析結果は,平均相対誤差(APRE),平均絶対相対誤差(AAPRE),根平均二乗誤差(RMSE),標準誤差(SD)の4つの基準を用いて検証された。
論文 参考訳(メタデータ) (2020-01-18T19:12:51Z)
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。