論文の概要: A Machine Learning-Driven Wireless System for Structural Health Monitoring

• arxiv url: http://arxiv.org/abs/2410.20678v1
• Date: Tue, 17 Sep 2024 08:08:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 10:41:08.870032
• Title: A Machine Learning-Driven Wireless System for Structural Health Monitoring
• Title（参考訳）: 構造的健康モニタリングのための機械学習駆動無線システム
• Authors: Marius Pop, Mihai Tudose, Daniel Visan, Mircea Bocioaga, Mihai Botan, Cesar Banu, Tiberiu Salaoru,
• Abstract要約: 本稿では,炭素繊維強化ポリマー(CFRP)構造体の構造健康モニタリング(SHM)のための機械学習(ML)モデルを統合した無線システムを提案する。 このシステムは、CFRPクーポンに埋め込まれたカーボンナノチューブ(CNT)センサーを介してデータを収集し、これらのデータを中央サーバーにワイヤレスで送信して処理する。 ディープニューラルネットワーク(DNN)モデルは、機械的特性を予測し、構造的障害を予測できるように拡張し、積極的にメンテナンスし、安全性を高める。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The paper presents a wireless system integrated with a machine learning (ML) model for structural health monitoring (SHM) of carbon fiber reinforced polymer (CFRP) structures, primarily targeting aerospace applications. The system collects data via carbon nanotube (CNT) piezoresistive sensors embedded within CFRP coupons, wirelessly transmitting these data to a central server for processing. A deep neural network (DNN) model predicts mechanical properties and can be extended to forecast structural failures, facilitating proactive maintenance and enhancing safety. The modular design supports scalability and can be embedded within digital twin frameworks, offering significant benefits to aircraft operators and manufacturers. The system utilizes an ML model with a mean absolute error (MAE) of 0.14 on test data for forecasting mechanical properties. Data transmission latency throughout the entire system is less than one second in a LAN setup, highlighting its potential for real-time monitoring applications in aerospace and other industries. However, while the system shows promise, challenges such as sensor reliability under extreme environmental conditions and the need for advanced ML models to handle diverse data streams have been identified as areas for future research.
• Abstract（参考訳）: 本稿では,炭素繊維強化ポリマー(CFRP)構造体の構造的健康モニタリング(SHM)を機械学習(ML)モデルと統合した無線システムについて述べる。 このシステムは、CFRPクーポン内に埋め込まれたカーボンナノチューブ(CNT)ピエゾ抵抗型センサーを介してデータを収集し、これらのデータを中央サーバーにワイヤレスで送信して処理する。 ディープニューラルネットワーク(DNN)モデルは、機械的特性を予測し、構造的障害を予測できるように拡張し、積極的にメンテナンスし、安全性を高める。 モジュラー設計はスケーラビリティをサポートし、デジタルツインフレームワークに組み込むことができ、航空機のオペレーターや製造業者に大きな利益をもたらす。 このシステムは、機械的特性を予測するテストデータに平均絶対誤差0.14のMLモデルを使用する。 システム全体のデータ転送遅延はLANセットアップで1秒未満であり、航空宇宙や他の産業におけるリアルタイム監視アプリケーションの可能性を強調している。 しかし、このシステムは将来性を示す一方で、極端環境条件下でのセンサ信頼性や多様なデータストリームを扱うための高度なMLモデルの必要性といった課題が今後の研究分野として特定されている。

関連論文リスト

• Wireless Human-Machine Collaboration in Industry 5.0 [75.78721184383897]
  ワイヤレス・ヒューマン・マシン・コラボレーションは産業5.0にとって重要な進歩である。 安定性解析は、閉ループ系がモデルランダム性の下でどのように振る舞うかを証明している。 本稿では,マシンと人体制御のための2つの無線ループを組み込んだ基本WHMCモデルを確立する。
  論文  参考訳（メタデータ） (2024-10-18T03:44:10Z)
• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
  複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。 本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。 HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
  論文  参考訳（メタデータ） (2024-07-26T12:16:53Z)
• Building Hybrid B-Spline And Neural Network Operators [0.0]
  制御システムはサイバー物理システム(CPS)の安全性を確保するために不可欠である 本稿では,B-スプラインの帰納バイアスとデータ駆動型ニューラルネットワークを組み合わせることで,CPS行動のリアルタイム予測を容易にする手法を提案する。
  論文  参考訳（メタデータ） (2024-06-06T21:54:59Z)
• Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
  この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。 資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。 これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-04-08T20:02:19Z)
• One Masked Model is All You Need for Sensor Fault Detection, Isolation and Accommodation [1.0359008237358598]
  マスク付きモデルと自己教師型学習を用いたセンサ故障検出のための新しいフレームワークを提案する。 提案手法を,オフショアGE風力タービンのパブリックデータセットと実世界のデータセットの両方で検証する。 提案手法は,センサ計測の精度と信頼性をリアルタイムに向上する可能性がある。
  論文  参考訳（メタデータ） (2024-03-24T13:44:57Z)
• Efficient Model Adaptation for Continual Learning at the Edge [15.334881190102895]
  ほとんどの機械学習(ML)システムは、トレーニングとデプロイメントの間、定常的で一致したデータ分散を前提としている。 データ分布は、環境要因、センサー特性、タスク・オブ・関心などの変化により、時間とともに変化することが多い。 本稿では,ドメインシフト下での効率的な連続学習のためのアダプタ・リコンフィグレータ(EAR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T23:55:17Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge Devices [69.1412199244903]
  エッジデバイス上でMLOpsを統合した,適応モデル実行のためのマルチテナントランタイムを提案する。 S SensiX++は、高度にモジュール化されたコンポーネント化と、明確な抽象化によるデータ操作の外部化と、システム全体のオーケストレーションのためのドキュメント中心の宣言という、2つの基本原則で運用されている。 SensiX++のさまざまな自動化コンポーネントの全体的なスループットと定量化メリットについて報告し、運用の複雑さを著しく低減し、エッジデバイスへの組み込みモデルのデプロイ、アップグレード、再構成、提供の労力を削減する効果を実証する。
  論文  参考訳（メタデータ） (2021-09-08T22:06:16Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。