論文の概要: Learning Automata of PLCs in Production Lines Using LSTM

• arxiv url: http://arxiv.org/abs/2503.00631v1
• Date: Sat, 01 Mar 2025 21:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:13:19.096321
• Title: Learning Automata of PLCs in Production Lines Using LSTM
• Title（参考訳）: LSTMを用いた生産ラインにおけるPLCの自動学習
• Authors: Iyas AlTalafha, Yaprak Yalcin, Gulcihan Ozdemir,
• Abstract要約: 本稿では,Long Short-Term Memory (LSTM) ネットワークを用いて搬送システムのモデル化を行う。 センサーからのデータは、搬送システムをモデル化するオートマトンを出力するためにLSTMを訓練するために使用される。 その結果、LSTMオートマトンはOTALAから得られたものとは異なり、搬送システムのより正確な表現であることが証明された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Production Lines and Conveying Systems are the staple of modern manufacturing processes. Manufacturing efficiency is directly related to the efficiency of the means of production and conveying. Modelling in the industrial context has always been a challenge due to the complexity that comes along with modern manufacturing standards. Long Short-Term Memory is a pattern recognition Recurrent Neural Network, that is utilised on a simple pneumatic conveying system which transports a wooden block around the system. Recurrent Neural Networks (RNNs) capture temporal dependencies through feedback loops, while Long Short-Term Memory (LSTM) networks enhance this capability by using gated mechanisms to effectively learn long-term dependencies. Conveying systems, representing a major component of production lines, are chosen as the target to model to present an approach applicable in large scale production lines in a simpler format. In this paper data from sensors are used to train the LSTM in order to output an Automaton that models the conveying system. The automaton obtained from the proposed LSTM approach is compared with the automaton obtained from OTALA. The resultant LSTM automaton proves to be a more accurate representation of the conveying system, unlike the one obtained from OTALA.
• Abstract（参考訳）: 生産ラインと輸送システムは近代的な製造プロセスの基盤となっている。 製造効率は、製造および搬送手段の効率に直接関係している。 工業的文脈でのモデリングは、近代的な製造基準に沿う複雑さのために、常に挑戦されてきた。 ロング短期記憶(Long Short-Term Memory)は、パターン認識のリカレントニューラルネットワークである。 リカレントニューラルネットワーク(RNN)はフィードバックループを通じて時間的依存関係をキャプチャする一方、Long Short-Term Memory(LSTM)ネットワークは、ゲート機構を使用して長期的依存関係を効果的に学習することで、この機能を強化する。 大規模生産ラインに適用可能なアプローチを簡易なフォーマットで提示するためのモデルとして,生産ラインの主要コンポーネントを代表する搬送システムが選択される。 本稿では,センサからのデータをLSTMのトレーニングに使用して,搬送系をモデル化したオートマトンを出力する。 提案したLSTM手法から得られるオートマトンをOTALAから得られたオートマトンと比較する。 その結果、LSTMオートマトンはOTALAから得られたものとは異なり、搬送システムのより正確な表現であることが証明された。

関連論文リスト

• Oscillatory State-Space Models [61.923849241099184]
  長いシーケンスを効率的に学習するための線形状態空間モデル(LinOSS)を提案する。 高速な連想並列スキャンを用いて時間とともに統合された安定な離散化により、提案した状態空間モデルが得られる。 我々はLinOSSが普遍であること、すなわち時間変化関数間の連続および因果作用素写像を近似できることを示す。
  論文  参考訳（メタデータ） (2024-10-04T22:00:13Z)
• Control Industrial Automation System with Large Language Models [2.2369578015657954]
  本稿では,大規模言語モデルと産業自動化システムを統合するためのフレームワークを提案する。 フレームワークの中核には、産業タスク用に設計されたエージェントシステム、構造化プロンプト方法、イベント駆動情報モデリング機構がある。 コントリビューションには、フォーマルなシステム設計、概念実証実装、タスク固有のデータセットを生成する方法が含まれる。
  論文  参考訳（メタデータ） (2024-09-26T16:19:37Z)
• Unveiling LLM Mechanisms Through Neural ODEs and Control Theory [4.084134914321567]
  本稿では,ニューラル正規微分方程式(Neural ODE)とロバスト制御理論を組み合わせて,大規模言語モデル(LLM)の解釈可能性と制御性を高める枠組みを提案する。 実験結果から、ニューラルODEと制御理論の統合は出力の一貫性とモデルの解釈可能性を大幅に向上させ、説明可能なAI技術の開発を前進させることが示された。
  論文  参考訳（メタデータ） (2024-06-23T22:56:34Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• 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)
• SAL-CNN: Estimate the Remaining Useful Life of Bearings Using Time-frequency Information [0.0]
  現代の工業生産において、軸受の残りの有用寿命(RUL)の予測能力は、システムの安全性と安定性に直接影響を及ぼす。 本稿では, 短時間フーリエ変換(STFT)を前処理として, エンドツーエンドのRUL予測手法を提案する。 信号列の時間相関を考慮すると、CNNでは、畳み込みブロックアテンションモジュールを組み込んだ長短のメモリネットワークが設計されている。
  論文  参考訳（メタデータ） (2022-04-11T12:27:31Z)
• Streaming Multi-Talker ASR with Token-Level Serialized Output Training [53.11450530896623]
  t-SOTはマルチトーカー自動音声認識のための新しいフレームワークである。 t-SOTモデルには、推論コストの低減とよりシンプルなモデルアーキテクチャの利点がある。 重複しない音声の場合、t-SOTモデルは精度と計算コストの両面において単一ストーカーのASRモデルと同等である。
  論文  参考訳（メタデータ） (2022-02-02T01:27:21Z)
• Online learning of windmill time series using Long Short-term Cognitive Networks [58.675240242609064]
  風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。 我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。 提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
  論文  参考訳（メタデータ） (2021-07-01T13:13:24Z)
• Compressing LSTM Networks by Matrix Product Operators [7.395226141345625]
  Long Short Term Memory(LSTM)モデルは、多くの最先端自然言語処理(NLP)と音声強調(SE)アルゴリズムの構築ブロックである。 ここでは、量子多体物理学における量子状態の局所的相関を記述するMPO分解を紹介する。 LSTMモデルを置き換えるために,行列積演算子(MPO)に基づくニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-22T11:50:06Z)

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。