論文の概要: Analog and Multi-modal Manufacturing Datasets Acquired on the Future Factories Platform V2

• arxiv url: http://arxiv.org/abs/2502.05020v1
• Date: Fri, 07 Feb 2025 15:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:56:00.155162
• Title: Analog and Multi-modal Manufacturing Datasets Acquired on the Future Factories Platform V2
• Title（参考訳）: 将来のファクトリプラットフォームV2で取得したアナログ・マルチモーダル製造データセット
• Authors: Ramy Harik, Fadi El Kalach, Jad Samaha, Philip Samaha, Devon Clark, Drew Sander, Liam Burns, Ibrahim Yousif, Victor Gadow, Ahmed Mahmoud, Thorsten Wuest,
• Abstract要約: 本稿では,製造組立ラインの8時間連続運転中に得られた2つの産業グレードデータセットについて述べる。 データセットは、通信プロトコル、アクチュエータ、制御メカニズム、トランスデューサ、センサー、カメラをカバーする業界標準に準拠している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents two industry-grade datasets captured during an 8-hour continuous operation of the manufacturing assembly line at the Future Factories Lab, University of South Carolina, on 08/13/2024. The datasets adhere to industry standards, covering communication protocols, actuators, control mechanisms, transducers, sensors, and cameras. Data collection utilized both integrated and external sensors throughout the laboratory, including sensors embedded within the actuators and externally installed devices. Additionally, high-performance cameras captured key aspects of the operation. In a prior experiment [1], a 30-hour continuous run was conducted, during which all anomalies were documented. Maintenance procedures were subsequently implemented to reduce potential errors and operational disruptions. The two datasets include: (1) a time-series analog dataset, and (2) a multi-modal time-series dataset containing synchronized system data and images. These datasets aim to support future research in advancing manufacturing processes by providing a platform for testing novel algorithms without the need to recreate physical manufacturing environments. Moreover, the datasets are open-source and designed to facilitate the training of artificial intelligence models, streamlining research by offering comprehensive, ready-to-use resources for various applications and projects.
• Abstract（参考訳）: 本稿では,サウスカロライナ大学Future Factories Labにおいて,製造ラインの8時間連続運転中に得られた業界レベルの2つのデータセットについて,08/13/2024に報告する。 データセットは、通信プロトコル、アクチュエータ、制御メカニズム、トランスデューサ、センサー、カメラをカバーする業界標準に準拠している。 データ収集は、アクチュエータに埋め込まれたセンサーや外部に設置されたデバイスを含む、実験室全体で統合されたセンサーと外部センサーの両方を利用した。 さらに、高性能カメラが作戦の重要な側面を捉えた。 前回の実験[1]では、30時間の連続実行が行われ、その間にすべての異常が記録された。 その後、潜在的なエラーと運用上の障害を減らすために保守手順が実施された。 2つのデータセットは、(1)時系列アナログデータセット、(2)同期されたシステムデータと画像を含むマルチモーダル時系列データセットを含む。 これらのデータセットは、物理製造環境を再現することなく、新しいアルゴリズムをテストするプラットフォームを提供することで、製造プロセスの進歩における将来の研究を支援することを目的としている。 さらに、データセットはオープンソースであり、さまざまなアプリケーションやプロジェクトのための総合的で使えるリソースを提供することで、研究を合理化することで、人工知能モデルのトレーニングを促進するように設計されている。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Unsupervised Multimodal Fusion of In-process Sensor Data for Advanced Manufacturing Process Monitoring [0.0]
  本稿では,製造プロセスにおけるマルチモーダルセンサデータ融合に対する新しいアプローチを提案する。 我々は、ラベル付きデータなしで異なるデータモダリティを相関付けるために、対照的な学習手法を活用している。 本手法は,プロセス制御,異常検出,品質保証などの下流タスクを容易にする。
  論文  参考訳（メタデータ） (2024-10-29T21:52:04Z)
• IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
  ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。 本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。 このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
  論文  参考訳（メタデータ） (2024-04-23T13:38:01Z)
• Analog and Multi-modal Manufacturing Datasets Acquired on the Future Factories Platform [0.0]
  本稿では,2つの業界グレードのデータセットについて述べる。 2023年12月11日と12日にサウスカロライナ大学のFuture Factories Labで収集された。
  論文  参考訳（メタデータ） (2024-01-28T02:26:58Z)
• A Systematic Review of Available Datasets in Additive Manufacturing [56.684125592242445]
  視覚およびその他のセンサー技術を組み込んだその場監視により、追加製造プロセス中に広範なデータセットの収集が可能になる。 これらのデータセットは、製造された出力の品質を判断し、機械学習を使用して欠陥を検出する可能性がある。 本稿では,AMプロセスから派生したオープン画像ベースデータセットの利用可能性について検討する。
  論文  参考訳（メタデータ） (2024-01-27T16:13:32Z)
• Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
  このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。 高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。 また、解決を保障する科学的、技術的課題も検討している。
  論文  参考訳（メタデータ） (2023-12-06T10:46:53Z)
• Linking the Dynamic PicoProbe Analytical Electron-Optical Beam Line / Microscope to Supercomputers [39.52789559084336]
  Argonne National Laboratory(アルゴンヌ国立研究所)のDynamic PicoProbe(ダイナミック・ピコプローブ)は、1日に最大100GBのデータを生成できるアップグレードを行っている。 このデータは、基本的な科学と産業の両方のアプリケーションにとって非常に重要であるが、現在、これらの高ボリュームのデータストリームを扱うためのオンサイトインフラストラクチャは限られている。 本稿では,隣接するArgonne Leadership Computing Facilityにおいて,近隣のスーパーコンピュータへの大規模データ転送を支援するソフトウェアアーキテクチャを提供することにより,この問題に対処する。 このインフラストラクチャは、期待されるワークロードをサポートし、ドメインサイエンティストに過去の実験からデータを再インターロゲートして、さらなる科学的価値をもたらし、新たな洞察を導き出す機能を提供する。
  論文  参考訳（メタデータ） (2023-08-25T23:07:58Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Federated Learning for Autoencoder-based Condition Monitoring in the Industrial Internet of Things [0.07646713951724012]
  コンディションモニタリングと予測保守手法は,産業用モノのインターネットにおいて,効率的かつ堅牢な製造サイクルを実現するための重要な柱である。 複数の産業環境にまたがって収集されたさまざまなデータを分析して、機械学習モデルを用いて劣化行動を検出し予測することは、最近の研究で有望な成果を示している。 業界サイト間の知識のコラボレーションと共有は大きな利益をもたらすが、データプライバシーの問題のため、しばしば禁止される。 本稿では,自動エンコーダを用いたフェデレート学習手法を提案する。回転機械の振動センサデータを利用して,オンプレミスで監視機に近いエッジデバイス上での分散トレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:40:50Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)

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。