論文の概要: Towards transparent and data-driven fault detection in manufacturing: A case study on univariate, discrete time series
- arxiv url: http://arxiv.org/abs/2507.00102v1
- Date: Mon, 30 Jun 2025 14:11:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:22:58.445687
- Title: Towards transparent and data-driven fault detection in manufacturing: A case study on univariate, discrete time series
- Title（参考訳）: 製造業における透過的・データ駆動型故障検出に向けて--一変量離散時系列を事例として
- Authors: Bernd Hofmann, Patrick Bruendl, Huong Giang Nguyen, Joerg Franke,
- Abstract要約: 本稿では,データ駆動型および透過型の両方の産業的故障検出手法を提案する。
このアプローチは、マルチクラスの障害分類のための教師付き機械学習モデル、ポストホック解釈のためのShapley Additive Explanations、do-main-specific visualization techniqueを統合する。
本システムは, 故障検出精度95.9 %を達成し, 定量的選択性解析と定性評価の両方で, 発生した説明の妥当性と解釈性を確認した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensuring consistent product quality in modern manufacturing is crucial, particularly in safety-critical applications. Conventional quality control approaches, reliant on manually defined thresholds and features, lack adaptability to the complexity and variability inherent in production data and necessitate extensive domain expertise. Conversely, data-driven methods, such as machine learning, demonstrate high detection performance but typically function as black-box models, thereby limiting their acceptance in industrial environments where interpretability is paramount. This paper introduces a methodology for industrial fault detection, which is both data-driven and transparent. The approach integrates a supervised machine learning model for multi-class fault classification, Shapley Additive Explanations for post-hoc interpretability, and a do-main-specific visualisation technique that maps model explanations to operator-interpretable features. Furthermore, the study proposes an evaluation methodology that assesses model explanations through quantitative perturbation analysis and evaluates visualisations by qualitative expert assessment. The approach was applied to the crimping process, a safety-critical joining technique, using a dataset of univariate, discrete time series. The system achieves a fault detection accuracy of 95.9 %, and both quantitative selectivity analysis and qualitative expert evaluations confirmed the relevance and inter-pretability of the generated explanations. This human-centric approach is designed to enhance trust and interpretability in data-driven fault detection, thereby contributing to applied system design in industrial quality control.
- Abstract（参考訳）: 現代製造業における一貫した製品品質の確保は、特に安全クリティカルな応用において重要である。
従来の品質管理アプローチは、手動で定義されたしきい値と特徴に依存し、運用データに固有の複雑さと変動性への適応性に欠け、広範なドメインの専門知識を必要とします。
逆に、機械学習のようなデータ駆動手法は、高い検出性能を示すが、一般的にブラックボックスモデルとして機能する。
本稿では,データ駆動型および透過型の両方の産業的故障検出手法を提案する。
このアプローチは、マルチクラスの障害分類のための教師付き機械学習モデル、ポストホック解釈性のためのShapley Additive Explanations、およびモデル説明を演算子解釈可能な特徴にマッピングするdomain特化視覚化技術を統合する。
さらに,定量的摂動解析によりモデル説明を評価する評価手法を提案し,質的専門家による可視化を評価する。
この手法は、単変量離散時系列のデータセットを用いて、安全クリティカルな接合技術であるクリッピング法に適用した。
本システムは, 故障検出精度95.9 %を達成し, 定量的選択性解析と定性評価の両方で, 発生した説明の妥当性と解釈性を確認した。
この人間中心のアプローチは、データ駆動障害検出における信頼性と解釈可能性を高め、産業品質管理における応用システム設計に寄与するように設計されている。
関連論文リスト
- Mitigating Attrition: Data-Driven Approach Using Machine Learning and Data Engineering [0.0]
本稿では、機械学習とデータエンジニアリング技術を用いて、従業員の誘惑を緩和する新しいデータ駆動アプローチを提案する。
提案フレームワークは, 多様な人的資源システムからのデータを統合し, 高度な特徴工学を活用して, 誘惑に影響を及ぼす要因を包括的に把握する。
論文 参考訳（メタデータ） (2025-02-25T05:29:45Z) - Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection [0.3199881502576702]
オートエンコーダは意思決定プロセスに固有の不透明さを示し、大規模な実践を妨げている。
本研究では,機能セレクタを用いて特徴を抽出し,モデル出力にコンテキストを与える。
実験結果から,提案手法がモデル決定過程に有意義かつ有意義な洞察を与える可能性が示唆された。
論文 参考訳（メタデータ） (2025-01-03T19:30:11Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - Data AUDIT: Identifying Attribute Utility- and Detectability-Induced
Bias in Task Models [8.420252576694583]
医用画像データセットの厳密で定量的なスクリーニングのための第1の手法を提案する。
提案手法は,データセット属性に関連するリスクを,検出性と実用性の観点から分解する。
本手法を用いて, ほぼ知覚不能なバイアス誘発アーティファクトを確実に同定するスクリーニング手法を提案する。
論文 参考訳（メタデータ） (2023-04-06T16:50:15Z) - An Ontology for Defect Detection in Metal Additive Manufacturing [3.997680012976965]
産業用 4.0 アプリケーションのキーは、データ統合とセマンティック相互運用性の問題に対処できる制御システムを開発することである。
金属添加物製造文献から知られているプロセス誘起欠陥の分類について述べる。
我々の知識基盤は、さらなる欠陥分析用語を付加することにより、付加的な製造能力を向上させることを目的としている。
論文 参考訳（メタデータ） (2022-09-29T13:35:25Z) - Zero-sample surface defect detection and classification based on
semantic feedback neural network [13.796631421521765]
本論文では,複数角度からの画像タグ埋め込みにおける予測誤差を適応的に低減するアンサンブル協調学習アルゴリズムを提案する。
産業分野におけるゼロショットデータセットとシリンダーライナーデータセットを用いた各種実験により,競争結果が得られた。
論文 参考訳（メタデータ） (2021-06-15T08:26:36Z) - How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating
and Auditing Generative Models [95.8037674226622]
ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。
当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
論文 参考訳（メタデータ） (2021-02-17T18:25:30Z) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳（メタデータ） (2020-11-15T17:26:14Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z) - An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear
Analysis [68.8204255655161]
人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。
シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
論文 参考訳（メタデータ） (2020-07-14T15:47:37Z)
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。