論文の概要: You Only Look Twice! for Failure Causes Identification of Drill Bits

• arxiv url: http://arxiv.org/abs/2410.14282v1
• Date: Fri, 18 Oct 2024 08:39:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:24:25.108657
• Title: You Only Look Twice! for Failure Causes Identification of Drill Bits
• Title（参考訳）: ドリルビットの特定に失敗する原因は?(動画あり)
• Authors: Asma Yamani, Nehal Al-Otaiby, Haifa Al-Shemmeri, Imane Boudellioua,
• Abstract要約: 本研究では,異なるブレードの画像を用いたドリルビット故障の原因について検討した。 このプロセスでは、カッターにそれぞれの位置と損傷タイプをアノテートする。 完全な自動パイプラインの統合は、24の障害原因の100%をうまく特定しました。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Efficient identification of the root causes of drill bit failure is crucial due to potential impacts such as operational losses, safety threats, and delays. Early recognition of these failures enables proactive maintenance, reducing risks and financial losses associated with unforeseen breakdowns and prolonged downtime. Thus, our study investigates various causes of drill bit failure using images of different blades. The process involves annotating cutters with their respective locations and damage types, followed by the development of two YOLO Location and Damage Cutter Detection models, as well as multi-class multi-label Decision Tree and Random Forests models to identify the causes of failure by assessing the cutters' location and damage type. Additionally, RRFCI is proposed for the classification of failure causes. Notably, the cutter location detection model achieved a high score of 0.97 mPA, and the cutter damage detection model yielded a 0.49 mPA. The rule-based approach over-performed both DT and RF in failure cause identification, achieving a macro-average F1-score of 0.94 across all damage causes. The integration of the complete automated pipeline successfully identified 100\% of the 24 failure causes when tested on independent sets of ten drill bits, showcasing its potential to efficiently assist experts in identifying the root causes of drill bit damages.
• Abstract（参考訳）: ドリルビット故障の根本原因の効率的な同定は、運用上の損失、安全上の脅威、遅延などの潜在的影響のために重要である。 これらの障害を早期に認識することで、予期せぬ故障やダウンタイムの長期化に伴う、積極的なメンテナンス、リスクの低減、財政的損失が実現される。 そこで本研究では,異なるブレードの画像を用いたドリルビット故障の原因について検討した。 このプロセスでは、カッターにそれぞれの位置と損傷タイプをアノテートし、2つのYOLO位置・損傷カッター検出モデルと、カッターの位置と損傷タイプを評価して障害の原因を特定するマルチクラスマルチラベル決定木とランダムフォレストモデルを開発する。 さらに、障害原因の分類にRRFCIを提案する。 特にカッター位置検出モデルは0.97mPAに達し、カッター損傷検出モデルは0.49mPAとなった。 この法則に基づくアプローチはDTとRFの両方の障害原因同定をオーバーパフォーマンスさせ、すべての損傷原因に対して平均0.94のマクロ平均F1スコアを達成する。 完全に自動化されたパイプラインの統合は、10個のドリルビットの独立したセットでテストした場合、24の障害原因の100倍のパーセントをうまく特定し、ドリルビット損傷の根本原因を特定する専門家を効率的に支援する可能性を示した。

関連論文リスト

• DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery [12.869300064524122]
  本稿では, 損傷評価, セグメンテーション, 分類において, ディープラーニングモデルによる2つの重要な課題を遂行するソリューションを提案する。 我々の最良のモデルは、建物識別セマンティックセグメンテーション畳み込みニューラルネットワーク(CNN)と建物損傷分類CNNを組み合わせ、合計F1スコアは0.66である。 本モデルでは比較的精度の高い建物を同定することができたが,災害タイプによる被害の分類は困難であることが判明した。
  論文  参考訳（メタデータ） (2024-05-08T04:21:03Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Zero-Shot Motor Health Monitoring by Blind Domain Transition [17.664784126708742]
  本研究では, 作業条件, センサパラメータ, 故障特性に関わらず, 新しい(ターゲット) マシンの故障を検知できるゼロショット軸受故障検出手法を提案する。 実験結果から, 本手法では, 平均リコール率約89%, 95%のベアリング断層を, タイプ, 重症度, 位置に関わらず正確に検出できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-12T18:36:02Z)
• A New Knowledge Distillation Network for Incremental Few-Shot Surface Defect Detection [20.712532953953808]
  本稿では,DKAN(Dual Knowledge Align Network)と呼ばれる新しい知識蒸留ネットワークを提案する。 提案したDKAN法は,事前学習型ファインタニング伝達学習パラダイムを踏襲し,ファインタニングのための知識蒸留フレームワークを設計した。 Few-shot NEU-DETデータセットをインクリメンタルに実験した結果、DKANは様々なシーンで他の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-01T15:08:44Z)
• Learning to Identify Drilling Defects in Turbine Blades with Single Stage Detectors [15.842163335920954]
  タービンブレードのX線画像における網膜ドリル欠陥に基づくモデルを提案する。 このアプリケーションは、欠陥が非常に小さく、一般的に使用されるアンカーサイズによって捉えられにくい画像解像度のため、難しい。 このモデルを3ドルのクロスバリデーションで検証し,欠陥のある画像の同定に極めて高い精度を示す。
  論文  参考訳（メタデータ） (2022-08-08T18:44:51Z)
• Tightening the Approximation Error of Adversarial Risk with Auto Loss Function Search [12.263913626161155]
  一般的な評価手法は、モデルの逆方向リスクをロバスト性指標として近似することである。 本稿では,エラーを厳格化するための損失関数を探索する最初の手法であるAutoLoss-ARを提案する。 その結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-09T11:47:43Z)
• Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
  マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。 さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。 実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
  論文  参考訳（メタデータ） (2020-09-17T17:59:27Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)
• Transferable, Controllable, and Inconspicuous Adversarial Attacks on Person Re-identification With Deep Mis-Ranking [83.48804199140758]
  システム出力のランキングを乱す学習とミスランクの定式化を提案する。 また,新たなマルチステージネットワークアーキテクチャを開発することで,バックボックス攻撃を行う。 そこで本手法では, 異なるマルチショットサンプリングにより, 悪意のある画素数を制御することができる。
  論文  参考訳（メタデータ） (2020-04-08T18:48:29Z)

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。