論文の概要: Machine learning for industrial sensing and control: A survey and
practical perspective
- arxiv url: http://arxiv.org/abs/2401.13836v1
- Date: Wed, 24 Jan 2024 22:27:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 16:09:15.746314
- Title: Machine learning for industrial sensing and control: A survey and
practical perspective
- Title(参考訳): 産業用センシングと制御のための機械学習 : 調査と実践的視点
- Authors: Nathan P. Lawrence, Seshu Kumar Damarla, Jong Woo Kim, Aditya Tulsyan,
Faraz Amjad, Kai Wang, Benoit Chachuat, Jong Min Lee, Biao Huang, R. Bhushan
Gopaluni
- Abstract要約: プロセス産業で実際に成功している重要な統計および機械学習技術を特定する。
ソフトセンシングは、統計学と機械学習の手法の多くの産業応用を含んでいる。
データ駆動最適化と制御のための2つの異なるフレーバーについて考察する。
- 参考スコア(独自算出の注目度): 7.678648424345052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rise of deep learning, there has been renewed interest within the
process industries to utilize data on large-scale nonlinear sensing and control
problems. We identify key statistical and machine learning techniques that have
seen practical success in the process industries. To do so, we start with
hybrid modeling to provide a methodological framework underlying core
application areas: soft sensing, process optimization, and control. Soft
sensing contains a wealth of industrial applications of statistical and machine
learning methods. We quantitatively identify research trends, allowing insight
into the most successful techniques in practice.
We consider two distinct flavors for data-driven optimization and control:
hybrid modeling in conjunction with mathematical programming techniques and
reinforcement learning. Throughout these application areas, we discuss their
respective industrial requirements and challenges.
A common challenge is the interpretability and efficiency of purely
data-driven methods. This suggests a need to carefully balance deep learning
techniques with domain knowledge. As a result, we highlight ways prior
knowledge may be integrated into industrial machine learning applications. The
treatment of methods, problems, and applications presented here is poised to
inform and inspire practitioners and researchers to develop impactful
data-driven sensing, optimization, and control solutions in the process
industries.
- Abstract(参考訳): 深層学習の普及に伴い、大規模非線形センシング・制御問題におけるデータ活用へのプロセス産業の関心が高まっている。
プロセス産業で実用的成功を収めた重要な統計手法と機械学習手法を明らかにする。
そのために、私たちはハイブリッドモデリングから始め、ソフトセンシング、プロセス最適化、制御といった、コアアプリケーション領域の基礎となる方法論的なフレームワークを提供します。
ソフトセンシングは、統計的および機械学習手法の多くの産業応用を含んでいる。
研究動向を定量的に把握し,実践で最も成功した手法を考察する。
データ駆動最適化と制御には,数学的プログラミング手法と強化学習を併用したハイブリッドモデリングという2つの特徴がある。
これらの適用分野を通して,それぞれの産業要件と課題について考察する。
一般的な課題は、純粋データ駆動メソッドの解釈可能性と効率性である。
これは、ディープラーニング技術とドメイン知識のバランスを取る必要があることを示唆している。
その結果,先行知識を産業用機械学習アプリケーションに統合する方法が注目される。
ここで提示される方法、問題、アプリケーションの扱いは、実践者や研究者に、プロセス産業における影響のあるデータ駆動型センシング、最適化、制御ソリューションの開発を促すものである。
関連論文リスト
- Leveraging Foundation Model Automatic Data Augmentation Strategies and Skeletal Points for Hands Action Recognition in Industrial Assembly Lines [3.0992677770545254]
我々は,効率的な,高品質で,大規模なデータセット拡張を実現するために,産業用データセットを拡張する戦略を開発した。
また,この戦略を映像行動認識にも適用した。
実際の組立ラインの「ワイヤ挿入時の手の動き」シナリオでは、手動作認識の精度は98.8%に達した。
論文 参考訳(メタデータ) (2024-03-14T02:55:06Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - On Efficient Training of Large-Scale Deep Learning Models: A Literature
Review [90.87691246153612]
ディープラーニングの分野は特にコンピュータビジョン(CV)、自然言語処理(NLP)、音声などにおいて大きな進歩を遂げている。
大量のデータに基づいてトレーニングされた大規模なモデルを使用することは、実用的なアプリケーションにとって大きな可能性を秘めている。
計算能力の需要が増大する中で、ディープラーニングモデルの訓練の加速技術に関する包括的な要約が期待されている。
論文 参考訳(メタデータ) (2023-04-07T11:13:23Z) - Data Quality Over Quantity: Pitfalls and Guidelines for Process
Analytics [0.8399688944263843]
データ前処理は、現実の人工知能アプリケーションの成功に大きな影響を与えている。
本稿では,産業時系列データの事前処理に関する実践的考察を行い,信頼性の高いソフトセンサの効率的な開発について報告する。
論文 参考訳(メタデータ) (2022-11-11T19:01:21Z) - 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) - Opportunities for Machine Learning to Accelerate Halide Perovskite
Commercialization and Scale-Up [5.5532399751725]
ハロゲン化ペロブスカイトの商業化を妨げる実用的課題を概観する。
機械学習(ML)ツールがどのように役立つかについて論じる。
MLツールを特定の業界のニーズに適応させる上で、業界と学術のパートナーシップがいかに役立つかを提案する。
論文 参考訳(メタデータ) (2021-10-08T06:35:46Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - 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。