論文の概要: Towards a Deep Learning-based Online Quality Prediction System for Welding Processes

• arxiv url: http://arxiv.org/abs/2310.12632v2
• Date: Fri, 20 Oct 2023 10:44:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 11:13:09.449547
• Title: Towards a Deep Learning-based Online Quality Prediction System for Welding Processes
• Title（参考訳）: 深層学習による溶接プロセスのオンライン品質予測システム
• Authors: Yannik Hahn, Robert Maack, Guido Buchholz, Marion Purrio, Matthias Angerhausen, Hasan Tercan, Tobias Meisen
• Abstract要約: 溶接プロセスは, 材料特性, プロセス条件, 溶接品質の複雑な原因-効果関係を特徴とする。 ディープラーニングは、利用可能なプロセスデータ内の関係を特定し、プロセス観察から溶接品質を予測する能力を提供する。 本稿では,GMAWにおけるディープラーニングに基づく予測品質システムの概念を提案する。
• 参考スコア（独自算出の注目度）: 4.923235962860045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The digitization of manufacturing processes enables promising applications for machine learning-assisted quality assurance. A widely used manufacturing process that can strongly benefit from data-driven solutions is gas metal arc welding (GMAW). The welding process is characterized by complex cause-effect relationships between material properties, process conditions and weld quality. In non-laboratory environments with frequently changing process parameters, accurate determination of weld quality by destructive testing is economically unfeasible. Deep learning offers the potential to identify the relationships in available process data and predict the weld quality from process observations. In this paper, we present a concept for a deep learning based predictive quality system in GMAW. At its core, the concept involves a pipeline consisting of four major phases: collection and management of multi-sensor data (e.g. current and voltage), real-time processing and feature engineering of the time series data by means of autoencoders, training and deployment of suitable recurrent deep learning models for quality predictions, and model evolutions under changing process conditions using continual learning. The concept provides the foundation for future research activities in which we will realize an online predictive quality system for running production.
• Abstract（参考訳）: 製造プロセスのデジタル化は、機械学習による品質保証に有望な応用を可能にする。 データ駆動ソリューションの恩恵を受ける広く使われている製造プロセスは、ガス金属アーク溶接(gmaw)である。 溶接プロセスは, 材料特性, プロセス条件, 溶接品質の複雑な原因-影響関係を特徴とする。 プロセスパラメータが頻繁に変化する非実験室環境では、破壊試験による溶接品質の正確な決定は経済的に不可能である。 ディープラーニングは、利用可能なプロセスデータ内の関係を特定し、プロセス観察から溶接品質を予測する能力を提供する。 本稿では,GMAWにおけるディープラーニングに基づく予測品質システムの概念を提案する。 その中心となる概念は、マルチセンサーデータの収集と管理(電流と電圧など)、オートエンコーダによる時系列データのリアルタイム処理と機能エンジニアリング、品質予測のための適切な再帰的ディープラーニングモデルのトレーニングとデプロイ、継続的学習によるプロセス条件の変化に伴うモデル進化の4つの主要なフェーズで構成されるパイプラインである。 この概念は、生産を行うためのオンライン予測品質システムを実現するための将来の研究活動の基礎を提供する。

関連論文リスト

• Rare Class Prediction Model for Smart Industry in Semiconductor Manufacturing [1.3955252961896323]
  本研究では, 半導体製造プロセスから収集したIn situデータに対して, 希少なクラス予測手法を開発した。 第一の目的は、ノイズとクラス不均衡の問題に対処し、クラス分離を強化するモデルを構築することである。 ROC曲線はAUCが0.95、精度が0.66、リコールが0.96である。
  論文  参考訳（メタデータ） (2024-06-06T22:09:43Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• Tailoring Machine Learning for Process Mining [5.237999056930947]
  我々は、プロセスマイニングと機械学習の健全な統合を構築する上で、機械学習モデルをプロセスデータでトレーニングすることで生じる問題に対する深い洞察が不可欠であると主張している。 本研究の目的は,機械学習とプロセスマイニングの要件を正しく整合させることを目的とした方法論の基礎を構築することである。
  論文  参考訳（メタデータ） (2023-06-17T12:59:51Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Hybrid and Automated Machine Learning Approaches for Oil Fields Development: the Case Study of Volve Field, North Sea [58.720142291102135]
  本稿では,意思決定プロセスを支援する分野開発タスクにおけるインテリジェントなアプローチの利用について述べる。 我々は,油田立地最適化の問題と,その中の2つの課題に注目し,石油生産量推定の品質向上と貯水池特性の評価を行う。 実装されたアプローチは、異なる油田を解析したり、同様の物理問題に適応することができる。
  論文  参考訳（メタデータ） (2021-03-03T18:51:46Z)
• Classification of Spot-welded Joints in Laser Thermography Data using Convolutional Neural Networks [52.661521064098416]
  レーザサーモグラフィーデータから得られた画像を用いてスポット溶接の品質検査を行う手法を提案する。 我々は畳み込みニューラルネットワークを用いて溶接品質を分類し、異なるモデルの性能を互いに比較する。
  論文  参考訳（メタデータ） (2020-10-24T20:38:12Z)
• Towards the Automation of a Chemical Sulphonation Process with Machine Learning [0.0]
  本稿では,化学吸音過程における機械学習手法の適用結果について述べる。 プロセスパラメータからのデータを用いてランダムフォレスト、ニューラルネットワーク、線形回帰などの異なるモデルのトレーニングを行った。 実験の結果,これらの製品の品質値を精度良く予測することが可能であり,時間短縮の可能性があることが判明した。
  論文  参考訳（メタデータ） (2020-09-25T10:56:41Z)
• One-Shot Recognition of Manufacturing Defects in Steel Surfaces [1.0987465819113238]
  本稿では,課題のワンショット認識にシームズ畳み込みニューラルネットワークを適用することを提案する。 本研究は, 鋼表面欠陥の同定により, 鋼の品質管理にワンショット学習が有効であることを示すものである。
  論文  参考訳（メタデータ） (2020-05-12T14:30:03Z)
• 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。