論文の概要: Machine Learning-based Layer-wise Detection of Overheating Anomaly in LPBF using Photodiode Data
- arxiv url: http://arxiv.org/abs/2403.13861v1
- Date: Wed, 20 Mar 2024 01:12:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-22 18:28:52.670373
- Title: Machine Learning-based Layer-wise Detection of Overheating Anomaly in LPBF using Photodiode Data
- Title(参考訳): フォトダイオードデータを用いたLPBFにおける過熱異常の機械学習による層別検出
- Authors: Nazmul Hasan, Apurba Kumar Saha, Andrew Wessman, Mohammed Shafae,
- Abstract要約: 本研究は,光ダイオードセンサデータを用いた過熱異常の検出に焦点を当てた。
光ダイオードセンサーは、プロセスのダイナミクスと熱履歴を反映して、溶融プールから高周波データを収集することができる。
提案手法は,フォトダイオードセンサデータを用いて過熱異常を階層的に検出する機械学習フレームワークを提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Overheating anomaly detection is essential for the quality and reliability of parts produced by laser powder bed fusion (LPBF) additive manufacturing (AM). In this research, we focus on the detection of overheating anomalies using photodiode sensor data. Photodiode sensors can collect high-frequency data from the melt pool, reflecting the process dynamics and thermal history. Hence, the proposed method offers a machine learning (ML) framework to utilize photodiode sensor data for layer-wise detection of overheating anomalies. In doing so, three sets of features are extracted from the raw photodiode data: MSMM (mean, standard deviation, median, maximum), MSQ (mean, standard deviation, quartiles), and MSD (mean, standard deviation, deciles). These three datasets are used to train several ML classifiers. Cost-sensitive learning is used to handle the class imbalance between the "anomalous" layers (affected by overheating) and "nominal" layers in the benchmark dataset. To boost detection accuracy, our proposed ML framework involves utilizing the majority voting ensemble (MVE) approach. The proposed method is demonstrated using a case study including an open benchmark dataset of photodiode measurements from an LPBF specimen with deliberate overheating anomalies at some layers. The results from the case study demonstrate that the MSD features yield the best performance for all classifiers, and the MVE classifier (with a mean F1-score of 0.8654) surpasses the individual ML classifiers. Moreover, our machine learning methodology achieves superior results (9.66% improvement in mean F1-score) in detecting layer-wise overheating anomalies, surpassing the existing methods in the literature that use the same benchmark dataset.
- Abstract(参考訳): レーザーパウダーベッド融合(LPBF)添加物製造(AM)により製造される部品の品質と信頼性には過熱異常検出が不可欠である。
本研究では,フォトダイオードセンサデータを用いた過熱異常の検出に焦点を当てた。
光ダイオードセンサーは、プロセスのダイナミクスと熱履歴を反映して、溶融プールから高周波データを収集することができる。
提案手法は,フォトダイオードセンサデータを用いて過熱異常の検出を行う機械学習(ML)フレームワークを提供する。
MSMM(平均、標準偏差、中央値、最大値)、MSQ(平均値、標準偏差、準位)、MSD(平均値、標準偏差、偏差、偏差)の3つの特徴セットを抽出する。
これら3つのデータセットは、いくつかのML分類器のトレーニングに使用される。
コストセンシティブな学習は、ベンチマークデータセットの"異常"層(オーバーヒートの影響)と"最小"層の間のクラス不均衡を処理するために使用される。
検出精度を高めるために,提案するMLフレームワークは,多数決アンサンブル(MVE)アプローチを利用する。
提案手法は,いくつかの層で意図的に過熱異常を呈するLPBF検体からの光ダイオード測定のオープンベンチマークデータセットを含むケーススタディを用いて実証した。
ケーススタディの結果,MSDはすべての分類器で最高の性能を示し,MVE分類器(平均F1スコア0.8654)は個々のML分類器を上回った。
さらに, 機械学習手法は, 同じベンチマークデータセットを用いた文献において, 階層的に過熱する異常を検出する上で, 優れた結果(平均F1スコアの9.66%の改善)を達成している。
関連論文リスト
- FlameFinder: Illuminating Obscured Fire through Smoke with Attentive Deep Metric Learning [11.218765140036254]
FlameFinderは、山火事の監視中に消防士のドローンの熱画像を使って、煙によって隠されたとしても、炎を正確に検知するように設計されている。
従来のRGBカメラはそのような状況では苦戦するが、熱カメラは煙を吸収する炎の特徴を捉えることができる。
この問題を解決するために、FlameFinderは2枚の熱-RGB画像を用いてトレーニングを行っている。煙のないサンプルから潜熱火炎の特徴を学習することで、モデルは相対的な熱勾配に偏りが小さくなる。
論文 参考訳(メタデータ) (2024-04-09T23:24:19Z) - The Blind Normalized Stein Variational Gradient Descent-Based Detection for Intelligent Massive Random Access [0.7655800373514546]
本稿では,MLEモデルに基づく早期プリアンブル検出手法を提案する。
MLEモデルに対する近似解を得るために,新しい盲点正規化スタイン変分勾配勾配検出器(SVGD)を提案する。
提案したブロックMHT層は、コストと性能の劣化の観点から、他の変換方式よりも優れている。
論文 参考訳(メタデータ) (2024-03-08T04:08:40Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳(メタデータ) (2024-01-06T07:30:41Z) - Spatially-resolved Thermometry from Line-of-Sight Emission Spectroscopy
via Machine Learning [2.449329947677678]
本研究の目的は, 温度分布測定におけるデータ駆動モデルの利用について検討することである。
i)特徴工学と古典的機械学習アルゴリズム、(ii)エンドツーエンド畳み込みニューラルネットワーク(CNN)の2つのカテゴリが分析されている。
本手法は, ガス混合ガス中の種濃度分布が未知であっても, 低分解能スペクトルから不均一な温度分布を測定することができる。
論文 参考訳(メタデータ) (2022-12-15T13:46:15Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Fake It Till You Make It: Near-Distribution Novelty Detection by
Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。
本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。
本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文 参考訳(メタデータ) (2022-05-28T02:02:53Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳(メタデータ) (2022-01-29T10:54:57Z) - Predicting Defects in Laser Powder Bed Fusion using in-situ Thermal
Imaging Data and Machine Learning [0.0]
レーザー粉末層融合過程における局所熱履歴の変化は微視的欠陥を引き起こす可能性がある。
本研究では, LPBFステンレス鋼材料の微細孔率を予測するため, その場熱画像データを用いた機械学習(ML)モデルを開発した。
論文 参考訳(メタデータ) (2021-12-16T21:25:16Z) - Performance, Successes and Limitations of Deep Learning Semantic
Segmentation of Multiple Defects in Transmission Electron Micrographs [9.237363938772479]
深層学習Mask Regional Convolutional Neural Network (Mask R-CNN)モデルを用いて, 電子顕微鏡によるFeCrAl合金の欠陥のセマンティックセグメンテーションを行う。
本稿では, 欠陥形状の予測分布, 欠陥サイズ, 欠陥同感度などの量に着目し, キーモデルの性能統計の詳細な分析を行う。
全体として、現在のモデルは、顕微鏡画像中の複数の欠陥タイプを自動解析し、定量化するための、高速で効果的なツールであることがわかった。
論文 参考訳(メタデータ) (2021-10-15T17:57:59Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳(メタデータ) (2021-10-12T22:04:19Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。