論文の概要: Knowledge Distillation-based Information Sharing for Online Process
Monitoring in Decentralized Manufacturing System
- arxiv url: http://arxiv.org/abs/2302.12004v2
- Date: Tue, 25 Jul 2023 22:11:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-27 16:03:19.943852
- Title: Knowledge Distillation-based Information Sharing for Online Process
Monitoring in Decentralized Manufacturing System
- Title（参考訳）: 分散型製造システムにおけるオンラインプロセスモニタリングのための知識蒸留に基づく情報共有
- Authors: Zhangyue Shi, Yuxuan Li, Chenang Liu
- Abstract要約: 先進的な製造において、センサー技術の導入は効率的なプロセス監視を実現する機会を提供する。
分散型製造システムでは、関連するユニットが同一または類似の製品を製造し、オンラインプロセス監視のために独自の機械学習モデルをデプロイすることができる。
本稿では, 優れたモデルから情報的知識を抽出可能な, 新規な知識蒸留に基づく情報共有フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.742441483588685
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In advanced manufacturing, the incorporation of sensing technology provides
an opportunity to achieve efficient in-situ process monitoring using machine
learning methods. Meanwhile, the advances of information technologies also
enable a connected and decentralized environment for manufacturing systems,
making different manufacturing units in the system collaborate more closely. In
a decentralized manufacturing system, the involved units may fabricate same or
similar products and deploy their own machine learning model for online process
monitoring. However, due to the possible inconsistency of task progress during
the operation, it is also common that some units have more informative data
while some have less informative data. Thus, the monitoring performance of
machine learning model for each unit may highly vary. Therefore, it is
extremely valuable to achieve efficient and secured knowledge sharing among the
units in a decentralized manufacturing system for enhancement of poorly
performed models. To realize this goal, this paper proposes a novel knowledge
distillation-based information sharing (KD-IS) framework, which could distill
informative knowledge from well performed models to improve the monitoring
performance of poorly performed models. To validate the effectiveness of this
method, a real-world case study is conducted in a connected fused filament
fabrication (FFF)-based additive manufacturing (AM) platform. The experimental
results show that the developed method is very efficient in improving model
monitoring performance at poorly performed models, with solid protection on
potential data privacy.
- Abstract（参考訳）: 先進的な製造において,センサ技術の導入は,機械学習を用いた効率的なプロセス監視を実現する機会を提供する。
一方、情報技術の進歩により、製造システムの接続された分散環境が実現され、システム内の異なる製造ユニットがより緊密に連携するようになる。
分散製造システムでは、関連するユニットは同一または類似の製品を製作し、オンラインプロセス監視のために独自の機械学習モデルをデプロイすることができる。
しかし、操作中のタスク進行の不整合性のため、一部のユニットがより情報的なデータを持っている一方、情報的なデータが少ないことも一般的である。
したがって、各ユニットの機械学習モデルの監視性能は大きく異なる可能性がある。
したがって, 分散化製造システムにおいて, 性能の悪いモデルを構築するために, ユニット間の効率よく, セキュアな知識共有を実現することは極めて貴重である。
そこで本研究では, 優れたモデルから情報的知識を抽出し, 不十分なモデルのモニタリング性能を向上させる新しい知識蒸留情報共有(KD-IS)フレームワークを提案する。
本手法の有効性を検証するため,FFF (Connected Fused Filament fabrication)-based Additive Manufacturing (AM) platformにおいて実世界のケーススタディを行った。
実験結果から,本手法はモデル監視性能の向上に極めて有効であり,潜在的なデータプライバシをしっかりと保護できることがわかった。
関連論文リスト
- Unsupervised Multimodal Fusion of In-process Sensor Data for Advanced Manufacturing Process Monitoring [0.0]
本稿では,製造プロセスにおけるマルチモーダルセンサデータ融合に対する新しいアプローチを提案する。
我々は、ラベル付きデータなしで異なるデータモダリティを相関付けるために、対照的な学習手法を活用している。
本手法は,プロセス制御,異常検出,品質保証などの下流タスクを容易にする。
論文 参考訳（メタデータ） (2024-10-29T21:52:04Z) - When Swarm Learning meets energy series data: A decentralized collaborative learning design based on blockchain [10.099134773737939]
機械学習モデルは、将来のエネルギー生産または消費を予測する機能を提供する。
しかし、特定のエネルギーセクター内の法と政策の制約は、様々な情報源のデータを利用する際に技術的ハードルをもたらす。
本稿では,集中型サーバをブロックチェーンベースの分散ネットワークに置き換えるSwarm Learningスキームを提案する。
論文 参考訳（メタデータ） (2024-06-07T08:42:26Z) - Automating the Training and Deployment of Models in MLOps by Integrating Systems with Machine Learning [5.565764053895849]
実世界の応用における機械学習の重要性を紹介し、MLOpsの台頭を探求する。
MLOpsの進化と従来のソフトウェア開発手法との関係を概観することにより,既存のMLOpsが直面する問題を機械学習に統合し,生産性を向上させる方法を提案する。
論文 参考訳（メタデータ） (2024-05-16T05:36:28Z) - Self-consistent Validation for Machine Learning Electronic Structure [81.54661501506185]
機械学習と自己整合フィールド法を統合して,検証コストの低減と解釈可能性の両立を実現する。
これにより、積極的学習によるモデルの能力の探索が可能となり、実際の研究への統合への信頼がもたらされる。
論文 参考訳（メタデータ） (2024-02-15T18:41:35Z) - A Systematic Review of Available Datasets in Additive Manufacturing [56.684125592242445]
視覚およびその他のセンサー技術を組み込んだその場監視により、追加製造プロセス中に広範なデータセットの収集が可能になる。
これらのデータセットは、製造された出力の品質を判断し、機械学習を使用して欠陥を検出する可能性がある。
本稿では,AMプロセスから派生したオープン画像ベースデータセットの利用可能性について検討する。
論文 参考訳（メタデータ） (2024-01-27T16:13:32Z) - Reinforcement Learning of Display Transfer Robots in Glass Flow Control
Systems: A Physical Simulation-Based Approach [6.229216953398305]
フロー制御システムは製造システムの生産能力を高めるための重要な概念である。
フロー制御に関するスケジューリング最適化問題を解決するため、既存の手法はドメイン・ヒューマン・エキスパートによる設計に依存している。
本稿では,物理シミュレーション環境を実装し,ディスプレイ製造における移動ロボットを用いた現実的なフロー制御システムの設計を提案する。
論文 参考訳（メタデータ） (2023-10-12T02:10:29Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - Striving for data-model efficiency: Identifying data externalities on
group performance [75.17591306911015]
信頼できる、効果的で責任ある機械学習システムの構築は、トレーニングデータとモデリング決定の違いが、予測パフォーマンスにどのように影響するかを理解することに集中する。
我々は、特定のタイプのデータモデル非効率性に注目し、一部のソースからトレーニングデータを追加することで、集団の重要なサブグループで評価されるパフォーマンスを実際に低下させることができる。
以上の結果から,データ効率が正確かつ信頼性の高い機械学習の鍵となることが示唆された。
論文 参考訳（メタデータ） (2022-11-11T16:48:27Z) - On the Orthogonality of Knowledge Distillation with Other Techniques:
From an Ensemble Perspective [34.494730096460636]
知識蒸留は,効率的なニューラルネットワークを実用化するための強力な装置であることを示す。
また,知識蒸留を他の手法と効果的に統合する方法についても紹介する。
論文 参考訳（メタデータ） (2020-09-09T06:14:59Z) - AI-based Modeling and Data-driven Evaluation for Smart Manufacturing
Processes [56.65379135797867]
本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。
本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-29T14:57:53Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z)
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。