論文の概要: Hierarchical energy signatures using machine learning for operational visibility and diagnostics in automotive manufacturing

• arxiv url: http://arxiv.org/abs/2402.15962v1
• Date: Sun, 25 Feb 2024 02:54:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 16:13:29.708003
• Title: Hierarchical energy signatures using machine learning for operational visibility and diagnostics in automotive manufacturing
• Title（参考訳）: 機械学習を用いた階層的エネルギーシグネチャによる自動車製造における運用可視性と診断
• Authors: Ankur Verma, Seog-Chan Oh, Jorge Arinez, Soundar Kumara
• Abstract要約: 本研究では,ペンキショップの電力消費データから自動車のプロセスシグネチャを識別する階層型機械学習手法を提案する。 解析には、MLP(Multi-Layer Perceptron)、CNN(Convolutional Neural Network)、PCA(Principal Component Analysis)とロジスティック回帰(Logistic Regression)を組み合わせる。
• 参考スコア（独自算出の注目度）: 1.433758865948252
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Manufacturing energy consumption data contains important process signatures required for operational visibility and diagnostics. These signatures may be of different temporal scales, ranging from monthly to sub-second resolutions. We introduce a hierarchical machine learning approach to identify automotive process signatures from paint shop electricity consumption data at varying temporal scales (weekly and daily). A Multi-Layer Perceptron (MLP), a Convolutional Neural Network (CNN), and Principal Component Analysis (PCA) combined with Logistic Regression (LR) are used for the analysis. We validate the utility of the developed algorithms with subject matter experts for (i) better operational visibility, and (ii) identifying energy saving opportunities.
• Abstract（参考訳）: エネルギー消費データは、運用の可視性と診断に必要な重要なプロセスシグネチャを含んでいる。 これらのシグネチャは、月単位からサブ秒単位の解像度まで、時間スケールが異なる場合がある。 そこで本稿では,塗装店の電力消費データから自動車のプロセスシグネチャを特定するための階層型機械学習手法を提案する。 解析にはMLP(Multi-Layer Perceptron)、CNN(Convolutional Neural Network)、PCA(Principal Component Analysis)とLR(Logistic Regression)が併用されている。 対象分野の専門家による開発アルゴリズムの有用性を検証する。 (i)より良い運用可視性、及び (ii)省エネルギーの機会の特定。

関連論文リスト

• Prompt engineering and its implications on the energy consumption of Large Language Models [4.791072577881446]
  ソフトウェア工学における大規模言語モデル(LLM)は、計算資源、データセンター、二酸化炭素排出に関する深刻な問題を引き起こす。 本稿では,コード生成タスクにおけるLlama 3モデルの炭素排出に及ぼすPETの影響について検討する。
  論文  参考訳（メタデータ） (2025-01-10T11:49:31Z)
• Accelerating Manufacturing Scale-Up from Material Discovery Using Agentic Web Navigation and Retrieval-Augmented AI for Process Engineering Schematics Design [2.368662284133926]
  プロセス・フロー・ダイアグラム(PFD)とプロセス・アンド・インスツルメンテーション・ダイアグラム(PID)は産業プロセスの設計、制御、安全性にとって重要なツールである。 精密かつ規則に準拠した図の作成は、特に自動化とデジタル化の時代において、材料発見から工業生産へのブレークスルーを拡大する上で、依然として重要な課題である。 本稿では,知識獲得と生成を伴う2段階のアプローチを通じて,これらの課題に対処する自律型エージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-08T13:36:42Z)
• Power Plant Detection for Energy Estimation using GIS with Remote Sensing, CNN & Vision Transformers [1.563479906200713]
  本稿では,CNN(Convolutional Neural Networks)とViT(Vision Transformers)による遠隔センシング機能を備えたGISをパイプライン化することで,エネルギー推定アプリケーションを支援するハイブリッドモデルを提案する。 提案手法は,GISを介して共通マップ上の複数のデータ型をリアルタイムに解析し,CNNによる特徴抽出機能を実現する。
  論文  参考訳（メタデータ） (2024-12-06T12:15:11Z)
• Comparison of Tiny Machine Learning Techniques for Embedded Acoustic Emission Analysis [6.402381955787955]
  本稿では,音響放射(AE)信号の分類のために,機械学習と異なる入力データ形式を比較した。 AE信号は多くの構造的健康モニタリングアプリケーションにおいて有望なモニタリング技術である。
  論文  参考訳（メタデータ） (2024-11-22T15:58:25Z)
• Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart Grid [56.838297900091426]
  高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。 提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
  論文  参考訳（メタデータ） (2023-08-14T17:14:58Z)
• An adaptive human-in-the-loop approach to emission detection of Additive Manufacturing processes and active learning with computer vision [76.72662577101988]
  In-situ monitoring and process control in Additive Manufacturing (AM) は大量の排出データを収集することを可能にする。 このデータは、3Dプリントされた部品の3Dおよび2D表現への入力として使用できる。 本研究の目的は,機械学習技術を用いた適応型ヒューマン・イン・ザ・ループ手法を提案することである。
  論文  参考訳（メタデータ） (2022-12-12T15:11:18Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• Sensitivity analysis in differentially private machine learning using hybrid automatic differentiation [54.88777449903538]
  感性分析のための新しいテクスチブリド自動識別システム(AD)を導入する。 これにより、ニューラルネットワークをプライベートデータ上でトレーニングするなど、任意の微分可能な関数合成の感度をモデル化できる。 当社のアプローチは,データ処理の設定において,プライバシ損失に関する原則的推論を可能にする。
  論文  参考訳（メタデータ） (2021-07-09T07:19:23Z)
• Estimating the electrical power output of industrial devices with end-to-end time-series classification in the presence of label noise [6.857190736208506]
  本研究では,中規模企業施設のコンバインドヒート・アンド・パワー・マシンの発電量の推定に焦点をあてる。 施設が完全に測定され,CHPからのセンサ測定が可能となると,トレーニングラベルを自動生成する。 本稿では,共有組込み表現を用いた分類器とオートエンコーダを共同で学習する,新しいマルチタスクディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-05-01T21:45:42Z)
• Graph signal processing for machine learning: A review and new perspectives [57.285378618394624]
  本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。 本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。 我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-07-31T13:21:33Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。