論文の概要: Online high-precision prediction method for injection molding product weight by integrating time series/non-time series mixed features and feature attention mechanism

• arxiv url: http://arxiv.org/abs/2506.18950v1
• Date: Mon, 23 Jun 2025 08:40:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.309049
• Title: Online high-precision prediction method for injection molding product weight by integrating time series/non-time series mixed features and feature attention mechanism
• Title（参考訳）: 時系列・ノン時系列混合特徴と特徴注意機構の統合による射出成形品重量のオンライン高精度予測法
• Authors: Maoyuan Li, Sihong Li, Guancheng Shen, Yun Zhang, Huamin Zhou,
• Abstract要約: 本研究では,MFA-ANN(Mixed Feature attention-artificial Neural Network)モデルを提案する。 その結果, MFA-ANN モデルでは 0.5g の重量変動耐性を持つ 0.0281 のRMSE が達成され, 従来のベンチマークより優れていた。
• 参考スコア（独自算出の注目度）: 3.5881814709064934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To address the challenges of untimely detection and online monitoring lag in injection molding quality anomalies, this study proposes a mixed feature attention-artificial neural network (MFA-ANN) model for high-precision online prediction of product weight. By integrating mechanism-based with data-driven analysis, the proposed architecture decouples time series data (e.g., melt flow dynamics, thermal profiles) from non-time series data (e.g., mold features, pressure settings), enabling hierarchical feature extraction. A self-attention mechanism is strategically embedded during cross-domain feature fusion to dynamically calibrate inter-modality feature weights, thereby emphasizing critical determinants of weight variability. The results demonstrate that the MFA-ANN model achieves a RMSE of 0.0281 with 0.5 g weight fluctuation tolerance, outperforming conventional benchmarks: a 25.1% accuracy improvement over non-time series ANN models, 23.0% over LSTM networks, 25.7% over SVR, and 15.6% over RF models, respectively. Ablation studies quantitatively validate the synergistic enhancement derived from the integration of mixed feature modeling (contributing 22.4%) and the attention mechanism (contributing 11.2%), significantly enhancing the model's adaptability to varying working conditions and its resistance to noise. Moreover, critical sensitivity analyses further reveal that data resolution significantly impacts prediction reliability, low-fidelity sensor inputs degrade performance by 23.8% RMSE compared to high-precision measurements. Overall, this study provides an efficient and reliable solution for the intelligent quality control of injection molding processes.
• Abstract（参考訳）: 射出成形品質異常の非定常検出とオンラインモニタリングラグの課題に対処するため,製品重量のオンライン予測を高精度に行うMFA-ANNモデルを提案する。 機構ベースとデータ駆動解析を統合することにより,非時系列データ(例えば,モールドの特徴,圧力設定)から時系列データ(例えば,融解流れのダイナミクス,熱プロファイル)を分離し,階層的特徴抽出を可能にする。 自己保持機構は、クロスドメイン機能融合中に戦略的に組み込まれ、モダリティ間特徴重量を動的に校正し、重量変動の臨界決定因子を強調する。 その結果、MFA-ANNモデルは0.5gの重量変動耐性を持つ0.0281のRMSEを達成し、従来のベンチマークより25.1%の精度向上、LSTMネットワーク23.0%、SVR25.7%、RFモデル15.6%の精度向上を実現した。 アブレーション研究では、混合特徴モデリング(22.4%)と注意機構(11.2%)の統合による相乗効果の定量的評価を行い、様々な作業条件に対するモデルの適応性とノイズに対する抵抗性を著しく向上させた。 さらに、重要な感度分析により、データの解像度が予測信頼性に大きく影響し、低忠実度センサー入力は高精度測定と比較して23.8%のRMSEの性能低下を示す。 本研究は, 射出成形プロセスのインテリジェントな品質管理のための, 効率的かつ信頼性の高いソリューションを提供する。

関連論文リスト

• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys [9.066691897904875]
  機械学習は構造材料の理解と応用を著しく進歩させてきた。 本研究では,混合密度ネットワーク(MDN)モデルを用いた包括的手法を提案する。 これらの予測分布の統計パラメータを転位媒介の塑性モデルに組み込むことで、正確な応力-ひずみ予測が可能になる。
  論文  参考訳（メタデータ） (2025-06-25T21:18:14Z)
• Optimization of bi-directional gated loop cell based on multi-head attention mechanism for SSD health state classification model [2.5670390559986442]
  本研究では,ストレージデバイスの健康分類の精度と安定性を高めるために,マルチヘッドアテンション機構を組み込んだハイブリッドBiGRU-MHAモデルを提案する。 実験結果から,本モデルではトレーニングセットが92.70%,テストセットが92.44%,最小性能差が0.26%であった。
  論文  参考訳（メタデータ） (2025-06-13T22:01:57Z)
• Cell Library Characterization for Composite Current Source Models Based on Gaussian Process Regression and Active Learning [11.223940154559635]
  高精度な要求、大量のデータ、広範囲なシミュレーションコストは、CCSの特徴付けに深刻な課題をもたらす。 本稿では,アクティブラーニング(AL)を用いた新しいガウスプロセス回帰(GPR)モデルを導入し,評価フレームワークを効率的かつ正確に構築する。 提案手法は, 平均絶対誤差2.05 ps, 電流波形2.27%, 電圧, 温度 (PVT) 角, TSMC 22nm 角に対して平均絶対誤差2.05 ps, 相対誤差2.27%を達成し, 従来の商用ツール, 学習ベースアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-16T02:24:41Z)
• Sustaining model performance for covid-19 detection from dynamic audio data: Development and evaluation of a comprehensive drift-adaptive framework [0.5679775668038152]
  新型コロナウイルスのパンデミックは、多様なデータソースから病気を検出できる堅牢な診断ツールの必要性を強調している。 実世界のデータのダイナミックな性質は、基礎となるデータ分散が変化するにつれて、パフォーマンスが時間の経過とともに低下するモデルドリフトにつながる可能性がある。 本研究の目的は,モデルドリフトをモニタし,適応機構を用いて性能変動を緩和するフレームワークを開発することである。
  論文  参考訳（メタデータ） (2024-09-28T10:06:30Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)
• NoisyMix: Boosting Robustness by Combining Data Augmentations, Stability Training, and Noise Injections [46.745755900939216]
  モデルロバスト性とドメイン内精度の両方を改善するために,データ拡張と安定性トレーニングとノイズ注入を組み合わせたトレーニングスキームであるNoisyMixを導入する。 我々は、ImageNet-C、ImageNet-R、ImageNet-Pなど、さまざまなベンチマークデータセットに対して、NoisyMixの利点を実証する。
  論文  参考訳（メタデータ） (2022-02-02T19:53:35Z)
• Certified Adversarial Defenses Meet Out-of-Distribution Corruptions: Benchmarking Robustness and Simple Baselines [65.0803400763215]
  この研究は、最先端のロバストモデルがアウト・オブ・ディストリビューションデータに遭遇した場合、敵のロバスト性がどのように変化を保証しているかを批判的に検証する。 本稿では,トレーニングデータのスペクトルカバレッジを改善するために,新たなデータ拡張方式であるFourierMixを提案する。 また,FourierMixの拡張により,様々なOODベンチマークにおいて,より優れたロバスト性保証を実現することが可能となる。
  論文  参考訳（メタデータ） (2021-12-01T17:11:22Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。