論文の概要: Attention-stacked Generative Adversarial Network (AS-GAN)-empowered
Sensor Data Augmentation for Online Monitoring of Manufacturing System
- arxiv url: http://arxiv.org/abs/2306.06268v2
- Date: Thu, 22 Feb 2024 11:17:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-23 19:01:01.585785
- Title: Attention-stacked Generative Adversarial Network (AS-GAN)-empowered
Sensor Data Augmentation for Online Monitoring of Manufacturing System
- Title（参考訳）: 製造システムのオンラインモニタリングのためのAS-GAN(Attention-stacked Generative Adversarial Network)を用いたセンサデータ拡張
- Authors: Yuxuan Li, Chenang Liu
- Abstract要約: 本稿では,製造システムにおけるオンライン監視のセンサデータ拡張のための注意喚起型GAN(AS-GAN)アーキテクチャを提案する。
GANのジェネレータを強化し、シーケンシャルな情報をキャプチャする新しいアテンションスタックフレームワークが組み込まれている。
- 参考スコア（独自算出の注目度）: 6.635444871363967
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) has been extensively adopted for the online
sensing-based monitoring in advanced manufacturing systems. However, the sensor
data collected under abnormal states are usually insufficient, leading to
significant data imbalanced issue for supervised machine learning. A common
solution is to incorporate data augmentation techniques, i.e., augmenting the
available abnormal states data (i.e., minority samples) via synthetic
generation. To generate the high-quality minority samples, it is vital to learn
the underlying distribution of the abnormal states data. In recent years, the
generative adversarial network (GAN)-based approaches become popular to learn
data distribution as well as perform data augmentation. However, in practice,
the quality of generated samples from GAN-based data augmentation may vary
drastically. In addition, the sensor signals are collected sequentially by time
from the manufacturing systems, which means sequential information is also very
important in data augmentation. To address these limitations, inspired by the
multi-head attention mechanism, this paper proposed an attention-stacked GAN
(AS-GAN) architecture for sensor data augmentation of online monitoring in
manufacturing system. It incorporates a new attention-stacked framework to
strengthen the generator in GAN with the capability of capturing sequential
information, and thereby the developed attention-stacked framework greatly
helps to improve the quality of the generated sensor signals. Afterwards, the
generated high-quality sensor signals for abnormal states could be applied to
train classifiers more accurately, further improving the online monitoring
performance of manufacturing systems. The case study conducted in additive
manufacturing also successfully validated the effectiveness of the proposed
AS-GAN.
- Abstract（参考訳）: 機械学習(ML)は、先進的な製造システムにおけるオンラインセンシングベースのモニタリングに広く採用されている。
しかし、異常な状態下で収集されたセンサデータは、通常不十分であり、教師付き機械学習において重要なデータ不均衡問題を引き起こす。
一般的な解決策は、データ拡張技術、すなわち、利用可能な異常状態データ(例えば、少数サンプル)を合成生成によって増強することである。
高品質のマイノリティサンプルを生成するには,異常状態データの基盤となる分布を知ることが不可欠である。
近年,gan(generative adversarial network)ベースのアプローチが普及し,データ分散の学習やデータ拡張が実現されている。
しかし、実際にはganベースのデータ拡張から生成されたサンプルの品質は大きく異なる可能性がある。
また、センサ信号は製造システムから順次収集されるため、データ拡張においてもシーケンシャル情報が非常に重要である。
マルチヘッドアテンション機構にインスパイアされたこれらの制約に対処するため,製造システムにおけるオンラインモニタリングのセンサデータ拡張のための注意喚起型GANアーキテクチャを提案する。
これは、ganのジェネレータをシーケンシャルな情報をキャプチャする能力で強化するために、新しいアテンションスタックフレームワークを組み込んでおり、それによって、開発されたセンサ信号の品質向上に大いに役立つ。
その後、異常状態に対する高品質なセンサ信号がより正確に列車分類器に適用され、製造システムのオンライン監視性能が向上した。
添加性製造におけるケーススタディは, 提案したAS-GANの有効性の検証にも成功した。
関連論文リスト
- Generative AI for Data Augmentation in Wireless Networks: Analysis, Applications, and Case Study [59.780800481241066]
Generative Artificial Intelligence (GenAI) は、無線データ拡張の効果的な代替手段である。
本稿では、無線ネットワークにおけるGenAI駆動型データ拡張の可能性と有効性について考察する。
本稿では,Wi-Fiジェスチャー認識のための一般化拡散モデルに基づく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） (2024-11-13T05:15:25Z) - An Automated Approach to Collecting and Labeling Time Series Data for Event Detection Using Elastic Node Hardware [18.15754187896287]
本稿では,センサデータをIoTデバイス上で直接ラベル付けする新しい組込みシステムを提案する。
本稿では,各種センサデータのキャプチャとラベル付けを効率化する,特殊なラベル付けセンサを備えたハードウェアとソフトウェアの統合ソリューションを提案する。
論文 参考訳（メタデータ） (2024-07-06T15:19:16Z) - Defect Classification in Additive Manufacturing Using CNN-Based Vision
Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。
これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文 参考訳（メタデータ） (2023-07-14T14:36:58Z) - Data Augmentation with GAN increases the Performance of Arrhythmia
Classification for an Unbalanced Dataset [0.0]
データ不足は、機械学習の分野で大きな問題の1つだ。
本研究では,MIT-BIH Arrhythmia Databaseを用いて新しいECG信号を生成する。
これらの生成されたデータは、機械学習システムと実際のECGデータをテストするために使用される。
論文 参考訳（メタデータ） (2023-02-24T16:47:10Z) - cGAN-Based High Dimensional IMU Sensor Data Generation for Enhanced
Human Activity Recognition in Therapeutic Activities [0.0]
TheraGANと呼ばれる新しいGANネットワークは、リハビリテーション活動に関連するIMU信号を生成するために開発された。
生成された信号は実際の信号と密に模倣され、生成されたデータが追加され、テストされた全てのネットワークの性能が大幅に向上した。
論文 参考訳（メタデータ） (2023-02-16T00:08:28Z) - Imbalanced Data Classification via Generative Adversarial Network with
Application to Anomaly Detection in Additive Manufacturing Process [5.225026952905702]
本稿では, 追加製造プロセスイメージセンサデータを用いたGAN(Generative Adversarial Network)に基づく新しいデータ拡張手法を提案する。
多様性があり高品質な生成されたサンプルは、分類器にバランスの取れたトレーニングデータを提供します。
提案手法の有効性は, オープンソースデータと実世界のケーススタディの両方を用いて, ポリマーおよび金属AMプロセスで検証した。
論文 参考訳（メタデータ） (2022-10-28T16:08:21Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Federated Learning with Correlated Data: Taming the Tail for Age-Optimal
Industrial IoT [55.62157530259969]
本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。
本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。
数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
論文 参考訳（メタデータ） (2021-08-17T08:38:31Z) - Anomaly Detection through Transfer Learning in Agriculture and
Manufacturing IoT Systems [4.193524211159057]
本稿では, 農作物に設置したセンサから, 7種類のセンサからのデータと, 振動センサを用いた先進的な製造試験からのデータを分析する。
これら2つのアプリケーション領域において、予測的障害分類がいかに達成され、予測的メンテナンスの道が開かれたかを示す。
論文 参考訳（メタデータ） (2021-02-11T02:37:27Z) - Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。
我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。
実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文 参考訳（メタデータ） (2021-02-09T20:28:35Z)
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。