論文の概要: Data-driven prediction of tool wear using Bayesian-regularized
artificial neural networks
- arxiv url: http://arxiv.org/abs/2311.18620v1
- Date: Thu, 30 Nov 2023 15:22:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 16:09:33.999976
- Title: Data-driven prediction of tool wear using Bayesian-regularized
artificial neural networks
- Title（参考訳）: ベイジアン正規化人工ニューラルネットワークによる工具摩耗の予測
- Authors: Tam T. Truong, Jay Airao, Panagiotis Karras, Faramarz Hojati, Bahman
Azarhoushang, Ramin Aghababaei
- Abstract要約: 工具摩耗の予測は、製造におけるコストの最小化と製品品質の向上に役立つ。
ベイジアン正規化ニューラルネットワーク(BRANN)を用いて,加工工具の摩耗を正確に予測する新しいデータ駆動モデルを提案する。
- 参考スコア（独自算出の注目度）: 8.21266434543609
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The prediction of tool wear helps minimize costs and enhance product quality
in manufacturing. While existing data-driven models using machine learning and
deep learning have contributed to the accurate prediction of tool wear, they
often lack generality and require substantial training data for high accuracy.
In this paper, we propose a new data-driven model that uses Bayesian
Regularized Artificial Neural Networks (BRANNs) to precisely predict milling
tool wear. BRANNs combine the strengths and leverage the benefits of artificial
neural networks (ANNs) and Bayesian regularization, whereby ANNs learn complex
patterns and Bayesian regularization handles uncertainty and prevents
overfitting, resulting in a more generalized model. We treat both process
parameters and monitoring sensor signals as BRANN input parameters. We
conducted an extensive experimental study featuring four different experimental
data sets, including the NASA Ames milling dataset, the 2010 PHM Data Challenge
dataset, the NUAA Ideahouse tool wear dataset, and an in-house performed
end-milling of the Ti6Al4V dataset. We inspect the impact of input features,
training data size, hidden units, training algorithms, and transfer functions
on the performance of the proposed BRANN model and demonstrate that it
outperforms existing state-of-the-art models in terms of accuracy and
reliability.
- Abstract（参考訳）: 工具摩耗の予測は、製造におけるコストの最小化と製品品質の向上に役立つ。
機械学習とディープラーニングを用いた既存のデータ駆動モデルは、ツールウェアの正確な予測に寄与しているが、汎用性に欠け、高精度なトレーニングデータを必要とすることが多い。
本稿では,ベイズ正規化ニューラルネットワーク(BRANN)を用いて,加工工具の摩耗を正確に予測する新しいデータ駆動モデルを提案する。
BRANNは、人工知能ニューラルネットワーク(ANN)とベイジアン正規化(Bayes regularization)の利点を組み合わせて、複雑なパターンを学習し、ベイジアン正規化(Bayes regularization)は不確実性に対処し、過剰適合を防止し、より一般化されたモデルをもたらす。
プロセスパラメータとセンサ信号の監視の両方をBRANN入力パラメータとして扱う。
我々は、nasa ames milling dataset、2010 phm data challenge dataset、nuaa ideahouse tool wear dataset、ti6al4vデータセットのエンドミリングを社内で行った4つの異なる実験データセットを特徴とする広範な実験研究を行った。
提案したBRANNモデルの性能に及ぼす入力特徴,トレーニングデータサイズ,隠れユニット,トレーニングアルゴリズム,転送関数の影響を検証し,精度と信頼性の観点から既存の最先端モデルよりも優れていることを示す。
関連論文リスト
- An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - IB-UQ: Information bottleneck based uncertainty quantification for
neural function regression and neural operator learning [11.5992081385106]
本稿では,科学的機械学習タスクのための情報ボトルネック(IB-UQ)による不確実性定量化のための新しいフレームワークを提案する。
我々は,入力データの信頼度に応じて,入力を潜在表現に符号化する信頼認識エンコーダによってボトルネックを埋め込む。
また,外挿不確かさの質を高めるために,データ拡張に基づく情報ボトルネック目標を提案する。
論文 参考訳（メタデータ） (2023-02-07T05:56:42Z) - Transfer Learning in Deep Learning Models for Building Load Forecasting:
Case of Limited Data [0.0]
本稿では,この問題を克服し,ディープラーニングモデルの性能を向上させるためのビルディング・ツー・ビルディング・トランスファー・ラーニング・フレームワークを提案する。
提案手法は,スクラッチからトレーニングを行う従来のディープラーニングと比較して,予測精度を56.8%向上させた。
論文 参考訳（メタデータ） (2023-01-25T16:05:47Z) - NCTV: Neural Clamping Toolkit and Visualization for Neural Network
Calibration [66.22668336495175]
ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。
我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
論文 参考訳（メタデータ） (2022-11-29T15:03:05Z) - Statistical process monitoring of artificial neural networks [1.3213490507208525]
機械学習では、入力と出力の間の学習された関係は、モデルのデプロイの間も有効でなければならない。
本稿では,データストリームの非定常化開始時刻を決定するために,ANNが生成するデータ(埋め込み)の潜在的特徴表現について検討する。
論文 参考訳（メタデータ） (2022-09-15T16:33:36Z) - Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution
Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。
本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。
バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。
We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文 参考訳（メタデータ） (2022-06-26T16:00:22Z) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳（メタデータ） (2022-02-03T07:12:36Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Statistical model-based evaluation of neural networks [74.10854783437351]
ニューラルネットワーク(NN)の評価のための実験装置を開発する。
このセットアップは、NNs vis-a-vis minimum-mean-square-error (MMSE)パフォーマンス境界のベンチマークに役立つ。
これにより、トレーニングデータサイズ、データ次元、データ幾何学、ノイズ、トレーニング条件とテスト条件のミスマッチの影響をテストできます。
論文 参考訳（メタデータ） (2020-11-18T00:33:24Z)
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。