論文の概要: Automatic Anomalies Detection in Hydraulic Devices
- arxiv url: http://arxiv.org/abs/2212.02602v1
- Date: Mon, 5 Dec 2022 21:16:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 17:52:39.401337
- Title: Automatic Anomalies Detection in Hydraulic Devices
- Title（参考訳）: 油圧装置における異常自動検出
- Authors: Jose A. Solorio, Jose M. Garcia, Sudip Vhaduri
- Abstract要約: 本稿では,油圧システム,シリンダにおいて,最も多用途で用いられている装置の1つにおいて,異常のキャラクタリゼーションと評価を行うためのソリューションを提案する。
AIとMLモデルは、これらの油圧部品の現在の運転状況を決定するために実装された。
- 参考スコア（独自算出の注目度）: 1.5469452301122175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays, the applications of hydraulic systems are present in a wide variety
of devices in both industrial and everyday environments. The implementation and
usage of hydraulic systems have been well documented; however, today, this
still faces a challenge, the integration of tools that allow more accurate
information about the functioning and operation of these systems for proactive
decision-making. In industrial applications, many sensors and methods exist to
measure and determine the status of process variables (e.g., flow, pressure,
force). Nevertheless, little has been done to have systems that can provide
users with device-health information related to hydraulic devices integrated
into the machinery. Implementing artificial intelligence (AI) technologies and
machine learning (ML) models in hydraulic system components has been identified
as a solution to the challenge many industries currently face: optimizing
processes and carrying them out more safely and efficiently. This paper
presents a solution for the characterization and estimation of anomalies in one
of the most versatile and used devices in hydraulic systems, cylinders. AI and
ML models were implemented to determine the current operating status of these
hydraulic components and whether they are working correctly or if a failure
mode or abnormal condition is present.
- Abstract（参考訳）: 現在、油圧システムの応用は、産業と日常の両方の環境において、様々なデバイスに存在している。
油圧システムの実装と利用は十分に文書化されているが、今日では、積極的に意思決定するためにこれらのシステムの機能と運用に関するより正確な情報を提供するツールの統合が課題となっている。
産業用途では、プロセス変数(例えば、流れ、圧力、力)を計測し、決定するために多くのセンサーや方法が存在する。
それでも、機械に組み込まれた油圧装置に関するデバイスヘルス情報をユーザーに提供できるシステムを持つことはほとんどない。
人工知能(AI)技術と機械学習(ML)モデルを油圧システムコンポーネントに実装することは、現在多くの産業が直面している課題の解決策として特定されている。
本稿では,油圧システム,シリンダにおいて,最も多用途で用いられている装置の1つにおいて,異常のキャラクタリゼーションと評価を行う方法を提案する。
AIとMLモデルは、これらの油圧部品の現在の動作状態と、それらが正しく動作しているか、障害モードや異常状態が存在するかを決定するために実装された。
関連論文リスト
- Data-driven Machinery Fault Detection: A Comprehensive Review [2.373572816573706]
タイムリーかつ正確に故障した機械信号を特定することは、産業応用において不可欠である。
データ駆動型機械故障診断(MFD)は、機械/深層学習アプローチに基づくソリューションであり、製造業で広く利用されている。
本調査では, 各種機械故障の検出・診断に, さまざまな種類の機械学習手法を用いて, 記事の総合的なレビューを行う。
論文 参考訳（メタデータ） (2024-05-29T07:50:47Z) - Time Series Predictions in Unmonitored Sites: A Survey of Machine Learning Techniques in Water Resources [10.307058787085094]
モニタリングされていない場所での動的環境変数の予測は、水資源科学の長年の課題である。
現代の機械学習手法は、水文時系列予測のためのプロセスベースおよび経験的モデルよりもますます優れている。
ストリームフロー,水質,その他の水資源予測における機械学習の最先端技術応用について概説する。
論文 参考訳（メタデータ） (2023-08-18T18:30:33Z) - A Smart Robotic System for Industrial Plant Supervision [16.68349850187503]
本稿では,各種センサとインテリジェントデータ処理を統合した自律走行ロボットによるシステムを提案する。
メタン漏れを検出し、流量を推定し、より一般的なガス異常を検出し、音源をローカライズし、故障事例を検出し、環境を3Dでマッピングし、自律的にナビゲートすることができる。
論文 参考訳（メタデータ） (2023-08-10T14:54:21Z) - 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) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳（メタデータ） (2023-03-04T07:24:22Z) - Quality-Based Conditional Processing in Multi-Biometrics: Application to
Sensor Interoperability [63.05238390013457]
2007年のバイオセキュリティ・マルチモーダル・アセスメント・キャンペーンにおいて,ATVS-UAM融合手法を品質ベースで評価し,評価を行った。
我々のアプローチは線形ロジスティック回帰に基づいており、融合したスコアはログライクな比率になる傾向にある。
その結果,提案手法はルールベースの核融合方式よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-11-24T12:11:22Z) - 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) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳（メタデータ） (2021-07-28T10:28:05Z) - AI Enabled Data Quality Monitoring with Hydra [0.0]
本稿では,GluexにおけるHydraモニタリングシステムの開発と展開について論じる。
技術がいかに急速に開発されるかを示し、そのようなシステムをうまく展開するためには、社会学的ハードルを克服する必要があるかについて議論する。
論文 参考訳（メタデータ） (2021-04-28T13:51:42Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-21T17:14:34Z)
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。