論文の概要: Advanced Predictive Quality Assessment for Ultrasonic Additive Manufacturing with Deep Learning Model

• arxiv url: http://arxiv.org/abs/2410.24055v1
• Date: Thu, 31 Oct 2024 15:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:02:41.671309
• Title: Advanced Predictive Quality Assessment for Ultrasonic Additive Manufacturing with Deep Learning Model
• Title（参考訳）: 深層学習モデルを用いた超音波添加品の予測品質評価
• Authors: Lokendra Poudel, Sushant Jha, Ryan Meeker, Duy-Nhat Phan, Rahul Bhowmik,
• Abstract要約: 本研究では,深層学習に基づく畳み込みニューラルネットワーク(CNN)を用いたプロセス内品質監視手法を開発した。 CNNモデルは、5つのパワーレベルにまたがる熱カップリングを組み込んだサンプルを分類する能力について評価した。 97%を超える高い精度は、UAMプロセス内の条件を特定し分類するシステムの有効性を示す。
• 参考スコア（独自算出の注目度）: 0.815557531820863
• License:
• Abstract: Ultrasonic Additive Manufacturing (UAM) employs ultrasonic welding to bond similar or dissimilar metal foils to a substrate, resulting in solid, consolidated metal components. However, certain processing conditions can lead to inter-layer defects, affecting the final product's quality. This study develops a method to monitor in-process quality using deep learning-based convolutional neural networks (CNNs). The CNN models were evaluated on their ability to classify samples with and without embedded thermocouples across five power levels (300W, 600W, 900W, 1200W, 1500W) using thermal images with supervised labeling. Four distinct CNN classification models were created for different scenarios including without (baseline) and with thermocouples, only without thermocouples across power levels, only with thermocouples across power levels, and combined without and with thermocouples across power levels. The models achieved 98.29% accuracy on combined baseline and thermocouple images, 97.10% for baseline images across power levels, 97.43% for thermocouple images, and 97.27% for both types across power levels. The high accuracy, above 97%, demonstrates the system's effectiveness in identifying and classifying conditions within the UAM process, providing a reliable tool for quality assurance and process control in manufacturing environments.
• Abstract（参考訳）: 超音波添加物製造(UAM)は、超音波溶接を用いて、類似または異種金属ホイルを基板に接着し、固体の金属部品を合成する。 しかし、特定の処理条件は層間欠陥を引き起こし、最終製品の品質に影響を及ぼす。 本研究では,ディープラーニングに基づく畳み込みニューラルネットワーク(CNN)を用いたプロセス内品質監視手法を開発した。 CNNモデルは, 教師付きラベル付きサーマル画像を用いて, 5つのパワーレベル (300W, 600W, 900W, 1200W, 1500W) にわたるサーマルカップリングを組み込んだ試料の分類を行った。 4つの異なるCNN分類モデルが、(ベースラインのない)熱カップ(英語版)と熱カップ(英語版)を含む異なるシナリオで作成され、電力レベルを越えた熱カップ(英語版)と、電力レベルを越えた熱カップ(英語版)と、電力レベルを越えた熱カップ(英語版)、および熱カップ(英語版)を併用した。 モデルでは、ベースライン画像とサーモカップル画像の組み合わせで98.29%の精度、パワーレベルのベースライン画像で97.10%、サーモカップル画像で97.43%、パワーレベルの双方で97.27%の精度を達成した。 97%を超える高い精度は、UAMプロセス内の条件を特定し分類するシステムの有効性を示し、製造環境における品質保証とプロセス制御のための信頼性の高いツールを提供する。

関連論文リスト

• Binocular Model: A deep learning solution for online melt pool temperature analysis using dual-wavelength Imaging Pyrometry [0.0]
  金属添加物製造(AM)において, メルトプール(MP)の温度監視は, 部品品質, プロセス安定性, 欠陥防止, プロセス全体の最適化の確保に不可欠である。 従来の手法は収束が遅く、データを実行可能な洞察に変換するために広範囲な手作業を必要とする。 本稿では,手作業によるデータ処理依存を減らすことを目的とした人工知能(AI)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-08-20T18:26:09Z)
• EM Distillation for One-step Diffusion Models [65.57766773137068]
  最小品質の損失を最小限に抑えた1ステップ生成モデルに拡散モデルを蒸留する最大可能性に基づく手法を提案する。 本研究では, 蒸留プロセスの安定化を図るため, 再パラメータ化サンプリング手法とノイズキャンセリング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-27T05:55:22Z)
• Site-Controlled Purcell-Induced Bright Single Photon Emitters in Hexagonal Boron Nitride [62.170141783047974]
  六方晶窒化ホウ素(hBN)でホストされる単一光子エミッタは、室温で動作する量子フォトニクス技術にとって必須の構成要素である。 我々はPurcellにより誘導されるサイト制御SPEのためのプラズモンナノ共振器の大規模アレイを実験的に実証した。 我々の結果は、明るく、均一に統合された量子光源の配列を提供し、堅牢でスケーラブルな量子情報システムへの道を開いた。
  論文  参考訳（メタデータ） (2024-05-03T23:02:30Z)
• Machine Learning-based Layer-wise Detection of Overheating Anomaly in LPBF using Photodiode Data [0.0]
  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。
  論文  参考訳（メタデータ） (2024-03-20T01:12:44Z)
• Anomaly segmentation model for defects detection in electroluminescence images of heterojunction solar cells [0.0]
  本稿では, 太陽電池の品質評価と異常検出のために, 蛍光画像の分類とセマンティックセグメンテーションを行うためのディープラーニングベース自動検出モデルSeMaCNNを提案する。 モデルのコアはマハラノビス距離に基づく異常検出アルゴリズムであり、関連する欠陥のある少数のデジタルエレクトロルミネッセンス画像との不均衡なデータに基づいて、半教師付きで訓練することができる。 本モデルの精度は92.5%,F1スコア95.8%,リコール94.8%,精度96.9%で,手動で注釈付き画像1049枚からなる。
  論文  参考訳（メタデータ） (2022-08-11T18:02:36Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• A Multi-Stage model based on YOLOv3 for defect detection in PV panels based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
  本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。 このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。 提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
  論文  参考訳（メタデータ） (2021-11-23T08:04:32Z)
• PEMNET: A Transfer Learning-based Modeling Approach of High-Temperature Polymer Electrolyte Membrane Electrochemical Systems [0.0]
  高温高分子電解質膜燃料電池(HT-PEMFCs)とHT-PEM電気化学水素ポンプ(HT-PEM ECHPs) 知識に基づくモデリングには時間を要するため限界があり、必ずしも利用できないシステムに関する情報を必要とする。 データ駆動モデリングは実装が容易であるが、多くの場合、取得が難しい大きなデータセットを必要とする。
  論文  参考訳（メタデータ） (2021-05-07T04:01:26Z)
• Classification of Spot-welded Joints in Laser Thermography Data using Convolutional Neural Networks [52.661521064098416]
  レーザサーモグラフィーデータから得られた画像を用いてスポット溶接の品質検査を行う手法を提案する。 我々は畳み込みニューラルネットワークを用いて溶接品質を分類し、異なるモデルの性能を互いに比較する。
  論文  参考訳（メタデータ） (2020-10-24T20:38:12Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• Toward Enabling a Reliable Quality Monitoring System for Additive Manufacturing Process using Deep Convolutional Neural Networks [0.0]
  本稿では, 深層畳み込みニューラルネットワーク(CNN)モデルを用いて, 添加物製造(AM)プロセスの自動品質評価システムを提案する。 CNNモデルは, 層間積層における内部および表面欠陥の画像を用いてオフラインで訓練し, 異なる押出成形速度と温度でAMプロセスの故障を検出し, 分類する性能について検討した。 提案するオンラインモデルでは,AMプロセスに自動で一貫した非接触品質制御信号が付加され,完全構築後の部品の手動検査が不要になる。
  論文  参考訳（メタデータ） (2020-03-06T20:49:20Z)

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。