論文の概要: An Unsupervised Time Series Anomaly Detection Approach for Efficient Online Process Monitoring of Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2510.09977v1
• Date: Sat, 11 Oct 2025 03:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.718585
• Title: An Unsupervised Time Series Anomaly Detection Approach for Efficient Online Process Monitoring of Additive Manufacturing
• Title（参考訳）: 添加物製造の効率的なオンラインプロセスモニタリングのための教師なし時系列異常検出手法
• Authors: Frida Cantu, Salomon Ibarra, Arturo Gonzales, Jesus Barreda, Chenang Liu, Li Zhang,
• Abstract要約: 製造サイクルの類似性を把握し,セマンティックセグメンテーションを行う,教師なし異常検出アルゴリズムを提案する。 本手法の有効性は実世界のセンサデータを用いて実験的に検証した。
• 参考スコア（独自算出の注目度）: 3.2612245578095695
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Online sensing plays an important role in advancing modern manufacturing. The real-time sensor signals, which can be stored as high-resolution time series data, contain rich information about the operation status. One of its popular usages is online process monitoring, which can be achieved by effective anomaly detection from the sensor signals. However, most existing approaches either heavily rely on labeled data for training supervised models, or are designed to detect only extreme outliers, thus are ineffective at identifying subtle semantic off-track anomalies to capture where new regimes or unexpected routines start. To address this challenge, we propose an matrix profile-based unsupervised anomaly detection algorithm that captures fabrication cycle similarity and performs semantic segmentation to precisely identify the onset of defect anomalies in additive manufacturing. The effectiveness of the proposed method is demonstrated by the experiments on real-world sensor data.
• Abstract（参考訳）: オンラインセンシングは近代製造業の発展に重要な役割を担っている。 高分解能時系列データとして格納できるリアルタイムセンサ信号は、動作状態に関する豊富な情報を含む。 一般的な用途の1つは、センサー信号からの効果的な異常検出によって達成できるオンラインプロセス監視である。 しかし、既存のほとんどのアプローチは、教師付きモデルのトレーニングにラベル付きデータに大きく依存するか、極端な外れ値のみを検出するように設計されているため、新しいレシエーションや予期せぬルーチンの開始箇所を捉えるために、微妙なセマンティックなオフトラック異常を識別するのには効果がない。 この課題に対処するために, 行列プロファイルに基づく非教師付き異常検出アルゴリズムを提案し, 製造サイクルの類似性を把握し, 意味的セグメンテーションを行い, 加法製造における欠陥異常の発端を正確に同定する。 本手法の有効性は実世界のセンサデータを用いて実験的に検証した。

関連論文リスト

• Real-Time Outlier Detection with Dynamic Process Limits [0.609170287691728]
  本稿では,既存のリアルタイムインフラストラクチャを対象としたオンライン異常検出アルゴリズムを提案する。 オンライン逆累積分布に基づく手法を導入し、オフライン異常検出器の一般的な問題を排除した。 提案手法の利点は, 実マイクログリッド演算データの2例に示すように, 使いやすさ, 高速計算, 展開性である。
  論文  参考訳（メタデータ） (2023-01-31T10:23:02Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• SensorSCAN: Self-Supervised Learning and Deep Clustering for Fault Diagnosis in Chemical Processes [2.398451252047814]
  本研究では,教師なし故障検出・診断のための新しい手法であるSensorSCANを提案する。 我々は、テネシー・イーストマン・プロセスの2つの公開データセットに、さまざまな欠点のあるモデルの性能を実演する。 本手法は,故障の数が事前に分かっていない実世界のアプリケーションに適している。
  論文  参考訳（メタデータ） (2022-08-17T10:24:37Z)
• 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)
• Fast Wireless Sensor Anomaly Detection based on Data Stream in Edge Computing Enabled Smart Greenhouse [5.716360276016705]
  エッジコンピューティングを有効にするスマート温室は、IoT技術の代表的なアプリケーションである。 従来の異常検出アルゴリズムは、無線センサによって生成されたデータストリームの特性を適切に考慮していない。
  論文  参考訳（メタデータ） (2021-07-28T13:32:12Z)

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。