論文の概要: Enhancing the Product Quality of the Injection Process Using eXplainable Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2503.02338v1
• Date: Tue, 04 Mar 2025 06:59:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:19:32.048043
• Title: Enhancing the Product Quality of the Injection Process Using eXplainable Artificial Intelligence
• Title（参考訳）: eXplainable Artificial Intelligence を用いたインジェクションプロセスの製品品質向上
• Authors: Jisoo Hong, Yongmin Hong, Jung-Woo Baek, Sung-Woo Kang,
• Abstract要約: 本研究では, 射出成形品の欠陥率を低減するため, 最適射出成形工程制御システムを提案する。 製品の改善プロセスを制御する主な機能は、SHapley Additive exPlanationsによって抽出される。 本研究で提示される方法論を検証するために,KAMPが提供する実際の射出成形型AI製造データセットを用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The injection molding process is a traditional technique for making products in various industries such as electronics and automobiles via solidifying liquid resin into certain molds. Although the process is not related to creating the main part of engines or semiconductors, this manufacturing methodology sets the final form of the products. Re-cently, research has continued to reduce the defect rate of the injection molding process. This study proposes an optimal injection molding process control system to reduce the defect rate of injection molding products with XAI (eXplainable Artificial Intelligence) ap-proaches. Boosting algorithms (XGBoost and LightGBM) are used as tree-based classifiers for predicting whether each product is normal or defective. The main features to control the process for improving the product are extracted by SHapley Additive exPlanations, while the individual conditional expectation analyzes the optimal control range of these extracted features. To validate the methodology presented in this work, the actual injection molding AI manufacturing dataset provided by KAMP (Korea AI Manufacturing Platform) is employed for the case study. The results reveal that the defect rate decreases from 1.00% (Original defect rate) to 0.21% with XGBoost and 0.13% with LightGBM, respectively.
• Abstract（参考訳）: 射出成形法は、液体樹脂を一定の型に固化することにより、電子製品や自動車などの様々な産業で製品を製造する伝統的な技術である。 プロセスはエンジンや半導体の主要部分の作成とは関係がないが、この製造手法は製品の最終形態を定めている。 近年, 射出成形プロセスの欠陥率の低減に関する研究が続けられている。 本研究では,XAI (eXplainable Artificial Intelligence) ap-proachesを用いた射出成形品の欠陥率を低減するための最適射出成形プロセス制御システムを提案する。 ブースティングアルゴリズム(XGBoostとLightGBM)は、各製品が正常か欠陥かを予測するツリーベースの分類器として使用される。 製品改善のプロセスを制御する主な特徴は、SHapley Additive exPlanationsによって抽出され、一方、個々の条件予測は、これらの特徴の最適制御範囲を解析する。 本研究で提案する方法論を検証するため,KAMP(韓国AI製造プラットフォーム)が提供する実際の射出成形型AI製造データセットをケーススタディに採用した。 その結果, 欠陥率はXGBoostで1.00% (Original defect rate) から0.21%, LightGBMで0.13%に減少した。

関連論文リスト

• Distillation-Free One-Step Diffusion for Real-World Image Super-Resolution [81.81748032199813]
  蒸留不要1ステップ拡散モデルを提案する。 具体的には、敵対的訓練に参加するためのノイズ認識識別器(NAD)を提案する。 我々は、エッジ対応disTS(EA-DISTS)による知覚損失を改善し、詳細な情報を生成するモデルの能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-05T16:41:36Z)
• Score identity Distillation: Exponentially Fast Distillation of Pretrained Diffusion Models for One-Step Generation [61.03530321578825]
  Score Identity Distillation (SiD) は、事前学習した拡散モデルの生成能力を1ステップ生成器に蒸留する革新的なデータフリー手法である。 SiDは、蒸留中のFr'echet開始距離(FID)を指数的に高速に減少させるだけでなく、元の教師拡散モデルのFID性能に近づいたり、超えたりする。
  論文  参考訳（メタデータ） (2024-04-05T12:30:19Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• MFRL-BI: Design of a Model-free Reinforcement Learning Process Control Scheme by Using Bayesian Inference [5.375049126954924]
  プロセス制御方式の設計は、製造システムのばらつきを低減するために品質保証に不可欠である。 本稿では,モデルフリー強化学習(MFRL)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-17T08:18:55Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• Imbalanced Data Classification via Generative Adversarial Network with Application to Anomaly Detection in Additive Manufacturing Process [5.225026952905702]
  本稿では, 追加製造プロセスイメージセンサデータを用いたGAN(Generative Adversarial Network)に基づく新しいデータ拡張手法を提案する。 多様性があり高品質な生成されたサンプルは、分類器にバランスの取れたトレーニングデータを提供します。 提案手法の有効性は, オープンソースデータと実世界のケーススタディの両方を用いて, ポリマーおよび金属AMプロセスで検証した。
  論文  参考訳（メタデータ） (2022-10-28T16:08:21Z)
• Machine learning for automated quality control in injection moulding manufacturing [0.0]
  機械学習(ML)は射出成形における品質制御(QC)を改善し、自動化することができる。 本研究では, 模擬データを用いて, 射出成形容器の製品品質予測モデルを構築した。 テストセットの精度、特異性、感度はそれぞれ99.4%$、99.7%$、94.7%$である。
  論文  参考訳（メタデータ） (2022-06-30T13:44:48Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)
• Towards the Automation of a Chemical Sulphonation Process with Machine Learning [0.0]
  本稿では,化学吸音過程における機械学習手法の適用結果について述べる。 プロセスパラメータからのデータを用いてランダムフォレスト、ニューラルネットワーク、線形回帰などの異なるモデルのトレーニングを行った。 実験の結果,これらの製品の品質値を精度良く予測することが可能であり,時間短縮の可能性があることが判明した。
  論文  参考訳（メタデータ） (2020-09-25T10:56:41Z)

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。