論文の概要: Industrial Machines Health Prognosis using a Transformer-based Framework

• arxiv url: http://arxiv.org/abs/2411.14443v1
• Date: Tue, 05 Nov 2024 18:47:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-01 05:39:25.387646
• Title: Industrial Machines Health Prognosis using a Transformer-based Framework
• Title（参考訳）: Transformer-based Framework を用いた産業機械の健康予後
• Authors: David J Poland, Lemuel Puglisi, Daniele Ravi,
• Abstract要約: 本稿では、Transformer Quantile Regression Neural Networks(TQRNN)を紹介する。 TQRNNは、製造コンテキストにおけるリアルタイムマシン障害予測のための、新しいデータ駆動ソリューションである。 その結果,機械故障の予測に1時間リード時間を用い,精度が70.84%となるモデルの有効性が示された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This article introduces Transformer Quantile Regression Neural Networks (TQRNNs), a novel data-driven solution for real-time machine failure prediction in manufacturing contexts. Our objective is to develop an advanced predictive maintenance model capable of accurately identifying machine system breakdowns. To do so, TQRNNs employ a two-step approach: (i) a modified quantile regression neural network to segment anomaly outliers while maintaining low time complexity, and (ii) a concatenated transformer network aimed at facilitating accurate classification even within a large timeframe of up to one hour. We have implemented our proposed pipeline in a real-world beverage manufacturing industry setting. Our findings demonstrate the model's effectiveness, achieving an accuracy rate of 70.84% with a 1-hour lead time for predicting machine breakdowns. Additionally, our analysis shows that using TQRNNs can increase high-quality production, improving product yield from 78.38% to 89.62%. We believe that predictive maintenance assumes a pivotal role in modern manufacturing, minimizing unplanned downtime, reducing repair costs, optimizing production efficiency, and ensuring operational stability. Its potential to generate substantial cost savings while enhancing sustainability and competitiveness underscores its importance in contemporary manufacturing practices.
• Abstract（参考訳）: 本稿では、製造コンテキストにおけるリアルタイムマシン障害予測のための新しいデータ駆動ソリューションであるTransformer Quantile Regression Neural Networks (TQRNNs)を紹介する。 本研究の目的は,機械の故障を正確に識別できる高度な予測保守モデルを開発することである。 そのため、TQRNNは2段階のアプローチを採用している。 (i)低時間複雑性を維持しつつ異常な異常な外れを区分する修正量子回帰ニューラルネットワーク、及び (II)最大1時間以内の大規模な時間枠においても正確な分類を容易にすることを目的とした整合型変圧器ネットワーク。 提案するパイプラインを現実の飲料製造業界で実装した。 その結果,機械故障の予測に1時間リード時間を用い,精度が70.84%となるモデルの有効性が示された。 さらに、我々の分析では、TQRNNを使用することで高品質の生産が増加し、製品収率が78.38%から89.62%に向上することを示した。 我々は、現代の製造業において、予測的メンテナンスが重要な役割を担い、計画外のダウンタイムを最小化し、修理コストを削減し、生産効率を最適化し、運用安定性を確保すると信じている。 持続可能性と競争性を高めながら大幅なコスト削減を実現する可能性は、現代の製造業の実践においてその重要性を浮き彫りにしている。

関連論文リスト

• Enhanced Quantile Regression with Spiking Neural Networks for Long-Term System Health Prognostics [0.0]
  本稿では,拡張量子回帰ニューラルネットワーク(EQRNN)を中心に,新しい予測保守フレームワークを提案する。 先進的なニューラルネットワークを組み合わせたハイブリッドアプローチによる早期障害検出の課題に対処する。 計算効率を維持しながら複雑なマルチモーダルセンサーデータを処理する上でのこのフレームワークの有効性は、産業用4.0の製造環境への適用性を検証する。
  論文  参考訳（メタデータ） (2025-01-09T09:11:40Z)
• PV-faultNet: Optimized CNN Architecture to detect defects resulting efficient PV production [0.0]
  本研究では,太陽光発電(PV)セルの高効率かつリアルタイムな欠陥検出に最適化された,軽量な畳み込みニューラルネットワーク(CNN)アーキテクチャであるPV-faultNetを提案する。 このモデルにはわずか292万のパラメータが含まれており、精度を犠牲にすることなく処理要求を大幅に削減している。 91%の精度、89%のリコール、90%のF1スコアを達成し、PV生産におけるスケーラブルな品質管理の有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-05T10:58:37Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• A Computer Vision-Based Quality Assessment Technique for the automatic control of consumables for analytical laboratories [0.0]
  分析実験室で使用されるプラスチック消費財の製造プロセスにおいて, 新たな自動モニタリングシステムを提案する。 手動設計のディープ・ネットワーク・モデルを用いて、いくつかの最先端モデルと比較し、バイアルの異なるイメージを分類する能力について検討する。 我々のモデルは、その能力において著しく優れており、非常に少ないリソースを必要とします。
  論文  参考訳（メタデータ） (2024-04-16T10:50:16Z)
• Strategic Data Augmentation with CTGAN for Smart Manufacturing: Enhancing Machine Learning Predictions of Paper Breaks in Pulp-and-Paper Production [3.2381236440149257]
  パルプ・アンド・ペーパー産業における予測保守の重要な課題は、製紙工程における紙の破損の頻度である。 本稿では, 紙の破断が比較的稀であるが, 経済的な影響が大きい製紙機から, 運用データを解析する。 本研究では,CTGAN(Conditional Generative Adrial Networks)とSMOTE(Synthetic Minority Oversampling Technique)の協力を得て,新たなデータ拡張フレームワークを実装した。
  論文  参考訳（メタデータ） (2023-11-15T19:47:15Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• Effective Pre-Training Objectives for Transformer-based Autoencoders [97.99741848756302]
  トランスフォーマーエンコーダの効率,コスト,精度のトレードオフについて検討する。 共通の目的の機能を組み合わせて、新しい効果的な事前学習アプローチを作成します。
  論文  参考訳（メタデータ） (2022-10-24T18:39:44Z)
• Fault-Aware Design and Training to Enhance DNNs Reliability with Zero-Overhead [67.87678914831477]
  ディープニューラルネットワーク(DNN)は、幅広い技術的進歩を可能にする。 最近の知見は、過渡的なハードウェア欠陥がモデル予測を劇的に損なう可能性があることを示唆している。 本研究では,トレーニングとモデル設計の両面で信頼性の問題に取り組むことを提案する。
  論文  参考訳（メタデータ） (2022-05-28T13:09:30Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。