論文の概要: Enhanced Semi-Supervised Stamping Process Monitoring with Physically-Informed Feature Extraction

• arxiv url: http://arxiv.org/abs/2504.21389v1
• Date: Wed, 30 Apr 2025 07:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:56:08.110179
• Title: Enhanced Semi-Supervised Stamping Process Monitoring with Physically-Informed Feature Extraction
• Title（参考訳）: 物理インフォームド特徴抽出による半監督型スタンピングプロセス監視の強化
• Authors: Jianyu Zhang, Jianshe Feng, Yizhang Zhu, Fanyu Qi,
• Abstract要約: 本研究では、加速度計信号と物理情報を利用して、プロセス異常を効果的に捕捉する半教師付きプロセス内異常監視フレームワークを提案する。 提案フレームワークは,プロセス内状態をリアルタイムで監視し,バッチ異常を防止できる不均衡なサンプル分布をもつモニタリングモデルの構築を容易にする。
• 参考スコア（独自算出の注目度）: 3.0043530290654585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In tackling frequent anomalies in stamping processes, this study introduces a novel semi-supervised in-process anomaly monitoring framework, utilizing accelerometer signals and physics information, to capture the process anomaly effectively. The proposed framework facilitates the construction of a monitoring model with imbalanced sample distribution, which enables in-process condition monitoring in real-time to prevent batch anomalies, which helps to reduce batch defects risk and enhance production yield. Firstly, to effectively capture key features from raw data containing redundant information, a hybrid feature extraction algorithm is proposed to utilize data-driven methods and physical mechanisms simultaneously. Secondly, to address the challenge brought by imbalanced sample distribution, a semi-supervised anomaly detection model is established, which merely employs normal samples to build a golden baseline model, and a novel deviation score is proposed to quantify the anomaly level of each online stamping stroke. The effectiveness of the proposed feature extraction method is validated with various classification algorithms. A real-world in-process dataset from stamping manufacturing workshop is employed to illustrate the superiority of proposed semi-supervised framework with enhance performance for process anomaly monitoring.
• Abstract（参考訳）: スタンプ処理における頻繁な異常に対処するために,加速度計信号と物理情報を利用した半教師付きプロセス内異常監視フレームワークを提案する。 提案フレームワークは,プロセス内状態をリアルタイムで監視し,バッチ異常を防止し,バッチ欠陥のリスクを低減し,生産効率を向上する,不均衡なサンプル分布をもつモニタリングモデルの構築を容易にする。 まず、冗長な情報を含む生データから重要な特徴を効果的に捉えるために、データ駆動方式と物理機構を同時に利用するハイブリッド特徴抽出アルゴリズムを提案する。 第二に、不均衡なサンプル分布による課題に対処するため、通常のサンプルを用いてゴールデンベースラインモデルを構築する半教師付き異常検出モデルを構築し、オンラインスタンプストロークの異常レベルを定量化する新しい偏差スコアを提案する。 提案手法の有効性を,様々な分類アルゴリズムを用いて検証した。 スタンプ製造ワークショップの実際のプロセス内データセットを用いて,プロセス異常監視のパフォーマンス向上を目的とした半教師付きフレームワークの優位性を示す。

関連論文リスト

• Component-aware Unsupervised Logical Anomaly Generation for Industrial Anomaly Detection [31.27483219228598]
  異常検出は、製品の品質を確保し、自動化プロセスの効率を向上させるために、工業生産において重要である。 最近の生成モデルは、しばしば偽陽性を増大させる非現実的な異常を発生させるか、訓練のために現実世界の異常サンプルを必要とする。 本稿では,論理的異常生成のギャップに対処するコンポーネント・アウェアで教師なしのフレームワークであるComGENを提案する。
  論文  参考訳（メタデータ） (2025-02-17T11:54:43Z)
• Anomaly Detection via Autoencoder Composite Features and NCE [1.2891210250935148]
  オートエンコーダ(AE)または生成モデルは、通常入力のデータ分布をモデル化するためにしばしば使用される。 ノイズコントラスト推定(NCE)を訓練したAEと確率モデルの両方が異常検出を行うための非結合型トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2025-02-04T01:29:22Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection [1.951082473090397]
  コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。 本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。 BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
  論文  参考訳（メタデータ） (2023-11-12T10:07:03Z)
• An optimization method for out-of-distribution anomaly detection models [6.075775003017512]
  頻繁な誤報は、産業アプリケーションにおける教師なし異常検出アルゴリズムの促進を妨げている。 SVMベースの分類器は後処理モジュールとして利用され、オブジェクトレベルでの異常マップから誤報を識別する。
  論文  参考訳（メタデータ） (2023-02-02T08:29:10Z)
• 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)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。