Fugu-MT 論文翻訳(概要): DeepMachining: Online Prediction of Machining Errors of Lathe Machines

論文の概要: DeepMachining: Online Prediction of Machining Errors of Lathe Machines

arxiv url: http://arxiv.org/abs/2403.16451v1
Date: Mon, 25 Mar 2024 06:30:54 GMT
ステータス: 処理完了
システム内更新日: 2024-03-26 15:47:46.360511
Title: DeepMachining: Online Prediction of Machining Errors of Lathe Machines
Title（参考訳）: Deep Machining: Latheマシンの加工誤差のオンライン予測
Authors: Xiang-Li Lu, Hwai-Jung Hsu, Che-Wei Chou, H. T. Kung, Chen-Hsin Lee,
Abstract要約: 深層学習に基づくAIシステムDeepMachiningについて述べる。我々の知る限りでは、この研究は、学習済みの深層学習モデルを用いて、機械の加工誤差を予測する最初の工場実験の1つである。
参考スコア（独自算出の注目度）: 3.1044447109230076
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We describe DeepMachining, a deep learning-based AI system for online prediction of machining errors of lathe machine operations. We have built and evaluated DeepMachining based on manufacturing data from factories. Specifically, we first pretrain a deep learning model for a given lathe machine's operations to learn the salient features of machining states. Then, we fine-tune the pretrained model to adapt to specific machining tasks. We demonstrate that DeepMachining achieves high prediction accuracy for multiple tasks that involve different workpieces and cutting tools. To the best of our knowledge, this work is one of the first factory experiments using pre-trained deep-learning models to predict machining errors of lathe machines.
Abstract（参考訳）: 深層学習に基づくAIシステムDeepMachiningについて述べる。我々は工場の生産データに基づいてDeepMachiningを構築し評価した。具体的には、まず、与えられた旋盤の操作に対して深層学習モデルを事前訓練し、加工状態の健全な特徴を学習する。そして、トレーニング済みのモデルを微調整して、特定の加工タスクに適応する。我々はDeepMachiningが、異なるワークピースやカットツールを含む複数のタスクに対して高い予測精度を実現することを実証した。我々の知る限りでは、この研究は、学習済みの深層学習モデルを用いて、機械の加工誤差を予測する最初の工場実験の1つである。

関連論文リスト

Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文参考訳（メタデータ） (2024-10-30T17:20:10Z)
Efficient Milling Quality Prediction with Explainable Machine Learning [9.623578875486183]
本稿では,ミリングの表面粗さを予測するための機械学習(ML)手法を提案する。主な貢献は、さまざまな粗さ値を正確に予測し、冗長なセンサーを識別するMLモデルの開発である。
論文参考訳（メタデータ） (2024-09-16T11:52:17Z)
CNC-Net: Self-Supervised Learning for CNC Machining Operations [49.55380246503274]
我々は、CNCマシンをシミュレートするためのディープニューラルネットワーク(DNN)の使用を表すCNC-Netという先駆的なアプローチを導入する。本手法は,手動CNCプログラミングの高コストに代えて,コスト効率のよい代替手段を提供することにより,製造における革新的自動化を実現する可能性を秘めている。
論文参考訳（メタデータ） (2023-12-15T16:31:17Z)
Sharing Information Between Machine Tools to Improve Surface Finish Forecasting [0.0]
筆者らは旋回加工過程における表面粗さの測定を予測するためのベイズ階層モデルを提案する。階層モデルは、複数の独立ベイズ線形回帰モデルと比較され、加工環境における部分プールの利点を示す。
論文参考訳（メタデータ） (2023-10-09T15:44:35Z)
Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文参考訳（メタデータ） (2023-02-23T12:29:20Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Capturing and incorporating expert knowledge into machine learning models for quality prediction in manufacturing [0.0]
本研究では,小規模データセットを用いた機械学習手法を用いて品質予測モデルを構築するための一般的な手法を提案する。提案手法は,プロセススペシャリストが規定するすべての専門知識に厳密に準拠する予測モデルを生成する。
論文参考訳（メタデータ） (2022-02-04T07:22:29Z)
Differential Property Prediction: A Machine Learning Approach to Experimental Design in Advanced Manufacturing [2.905624971705889]
機械学習フレームワークである差分特性分類(DPC)を提案する。 DPCは2つの可能な実験パラメータ集合を持ち、演算子によって指定されたより望ましい特性を持つ材料を生成する予測を出力する。実験者は,複数の候補となる実験パラメータを選択する必要があることに注目することにより,材料特性を処理パラメータから予測する困難な回帰タスクを,機械学習モデルが優れた性能を達成できる分類タスクに再編成できることを示す。
論文参考訳（メタデータ） (2021-12-03T02:51:15Z)
Machining Cycle Time Prediction: Data-driven Modelling of Machine Tool Feedrate Behavior with Neural Networks [0.34998703934432673]
本稿では,機械工具軸毎にニューラルネットワークモデルを構築し,データ駆動型フィードレートと加工サイクル時間予測手法を提案する。市販加工センターにおける産業用薄肉構造部品を用いた検証試験により, 加工時間を90%以上精度で推定した。
論文参考訳（メタデータ） (2021-06-18T08:29:00Z)
Multi-Stage Influence Function [97.19210942277354]
我々は、事前学習データまで遡って、微調整されたモデルから予測を追跡するための多段階影響関数スコアを開発する。本研究は,2つのシナリオについて検討し,事前訓練した埋め込みを微調整タスクで固定または更新する。
論文参考訳（メタデータ） (2020-07-17T16:03:11Z)
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。