論文の概要: SREL: Severity Rating Ensemble Learning for Non-Destructive Fault
Diagnosis of Cu Interconnects using S-parameter Patterns
- arxiv url: http://arxiv.org/abs/2304.10207v1
- Date: Thu, 20 Apr 2023 10:51:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 13:51:14.123729
- Title: SREL: Severity Rating Ensemble Learning for Non-Destructive Fault
Diagnosis of Cu Interconnects using S-parameter Patterns
- Title（参考訳）: SREL:Sパラメータパターンを用いたCu配線の非破壊的故障診断のための重度レーティングアンサンブル学習
- Authors: Tae Yeob Kang, Haebom Lee, Sungho Suh
- Abstract要約: 本稿では,診断精度とノイズロバスト性を高めるために,SREL(Severity rating ensemble Learning)アプローチを提案する。
我々の手法は、99.3%の精度で、ノイズレベルの増加に伴い、従来の機械学習やマルチクラス畳み込みニューラルネットワーク(CNN)よりも優れています。
- 参考スコア（独自算出の注目度）: 1.4502611532302039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As operating frequencies and clock speeds in processors have increased over
the years, interconnects affect both the reliability and performance of entire
electronic systems. Fault detection and diagnosis of the interconnects are
crucial for prognostics and health management (PHM) of electronics. However,
existing research works utilizing electrical signals as prognostic factors have
limitations, such as the inability to distinguish the root cause of defects,
which eventually requires additional destructive evaluation, and vulnerability
to noise that results in a false alarm. Herein, we realize the non-destructive
detection and diagnosis of defects in Cu interconnects, achieving early
detection, high diagnostic accuracy, and noise robustness. To the best of our
knowledge, this study first simultaneously analyzes the root cause and severity
using electrical signal patterns. In this paper, we experimentally show that
S-parameter patterns have the ability for fault diagnosis and they are
effective input data for learning algorithms. Furthermore, we propose a novel
severity rating ensemble learning (SREL) approach to enhance diagnostic
accuracy and noise-robustness. Our method, with a maximum accuracy of 99.3%,
outperforms conventional machine learning and multi-class convolutional neural
networks (CNN) as additional noise levels increase.
- Abstract（参考訳）: プロセッサの動作周波数とクロック速度が年々増加するにつれて、相互接続は電子システム全体の信頼性と性能の両方に影響を及ぼす。
配線の故障検出と診断は、電子の予後と健康管理(PHM)に不可欠である。
しかし、電気信号を予後因子として利用する既存の研究は、欠陥の根本原因を識別できないこと、さらに破壊的な評価を必要とすること、誤報をもたらす騒音に対する脆弱性など、限界がある。
そこで我々は,Cu配線の欠陥の非破壊検出と診断を実現し,早期検出,高い診断精度,耐雑音性を実現した。
我々の知る限り、この研究はまず、電気信号パターンを用いて根本原因と重症度を同時に分析する。
本稿では,sパラメータパターンが故障診断能力を有し,学習アルゴリズムに有効な入力データであることを実験的に示す。
さらに,診断精度とノイズロバスト性を高めるために,新しい重度評価アンサンブル学習(SREL)手法を提案する。
提案手法は,最大99.3%の精度で従来の機械学習やマルチクラス畳み込みニューラルネットワーク(cnn)を上回り,ノイズレベルが増加する。
関連論文リスト
- RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。
まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。
第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。
第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
論文 参考訳（メタデータ） (2024-09-13T13:53:41Z) - Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。
提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文 参考訳（メタデータ） (2024-07-12T01:50:07Z) - Semi-supervised Anomaly Detection via Adaptive Reinforcement Learning-Enabled Method with Causal Inference for Sensor Signals [15.249261198557218]
センサ信号の半教師付き異常検出は、スマート製造におけるシステムの信頼性確保に不可欠である。
本稿では,三重補足型因果強化学習モデル(Tri-CRLAD)を革新的に構築する。
7つのセンサ信号データセットに対する実験結果から、Tri-CRLADは9つの最先端のベースライン法より優れていることが示された。
論文 参考訳（メタデータ） (2024-05-11T06:10:05Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - Classification of Methods to Reduce Clinical Alarm Signals for Remote
Patient Monitoring: A Critical Review [16.140794437173014]
遠隔患者モニタリング(Remote patient Monitoring, RPM)は、自動化された監視とインテリジェントアラーム信号の上昇によって臨床の作業量を削減する技術パラダイムである。
RPMデバイスで使用される高感度でインテリジェントなデータ処理アルゴリズムは、しばしば偽陽性アラームを発生させ、アラーム疲労を引き起こす。
本研究の目的は、これらの誤報の原因を特定するために既存の文献を批判的にレビューし、これらの原因を取り除くために文献で使用される様々な介入を分類することである。
論文 参考訳（メタデータ） (2023-02-08T05:21:02Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Deep Scattering Spectrum germaneness to Fault Detection and Diagnosis
for Component-level Prognostics and Health Management (PHM) [0.0]
本研究は,産業用ロボットの機械的構成要素に対するDES(Deep Scattering Spectrum)の故障検出とデイグナシスとの関連性について考察する。
複数の産業用ロボットと異なる機械的欠陥を使って、障害を分類するアプローチを構築しました。
提案手法は, 実用試験台に実装され, 故障検出および診断において良好な性能を示した。
論文 参考訳（メタデータ） (2022-10-18T13:25:02Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Probabilistic Bearing Fault Diagnosis Using Gaussian Process with
Tailored Feature Extraction [10.064000794573756]
転がり軸受は、過酷な環境下での長時間の運転により、様々な障害にさらされる。
現在の深層学習法は, 決定論的分類の形で軸受断層診断を行う。
本研究では,予測の不確実性を考慮した確率的故障診断フレームワークを開発した。
論文 参考訳（メタデータ） (2021-09-19T18:34:29Z) - Heart Sound Classification Considering Additive Noise and Convolutional
Distortion [2.63046959939306]
異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。
本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。
提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
論文 参考訳（メタデータ） (2021-06-03T14:09:04Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z)
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。