論文の概要: Physics-informed data-driven machine health monitoring for two-photon lithography

• arxiv url: http://arxiv.org/abs/2510.15075v1
• Date: Thu, 16 Oct 2025 18:41:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.357536
• Title: Physics-informed data-driven machine health monitoring for two-photon lithography
• Title（参考訳）: 2光子リソグラフィーのための物理インフォームデータ駆動型マシンヘルスモニタリング
• Authors: Sixian Jia, Zhiqiao Dong, Chenhui Shao,
• Abstract要約: 2光子リソグラフィー (TPL) は、3次元の3次元およびナノ構造を作るための高度な添加物製造技術である。 TPLシステムの健全性を維持することは、一貫した製造品質を確保するために重要である。 本稿では,TPLマシンの健康状態の正確かつタイムリーなモニタリングを行うための3つの方法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Two-photon lithography (TPL) is a sophisticated additive manufacturing technology for creating three-dimensional (3D) micro- and nano-structures. Maintaining the health of TPL systems is critical for ensuring consistent fabrication quality. Current maintenance practices often rely on experience rather than informed monitoring of machine health, resulting in either untimely maintenance that causes machine downtime and poor-quality fabrication, or unnecessary maintenance that leads to inefficiencies and avoidable downtime. To address this gap, this paper presents three methods for accurate and timely monitoring of TPL machine health. Through integrating physics-informed data-driven predictive models for structure dimensions with statistical approaches, the proposed methods are able to handle increasingly complex scenarios featuring different levels of generalizability. A comprehensive experimental dataset that encompasses six process parameter combinations and six structure dimensions under two machine health conditions was collected to evaluate the effectiveness of the proposed approaches. Across all test scenarios, the approaches are shown to achieve high accuracies, demonstrating excellent effectiveness, robustness, and generalizability. These results represent a significant step toward condition-based maintenance for TPL systems.
• Abstract（参考訳）: 2光子リソグラフィー (TPL) は、3次元の3次元およびナノ構造を作るための高度な添加物製造技術である。 TPLシステムの健全性を維持することは、一貫した製造品質を確保するために重要である。 現在の保守慣行は、しばしば機械の健康を知らせるよりも経験に頼っているため、機械のダウンタイムと品質の悪い製造を引き起こす不定期なメンテナンスや、非効率で避けられるダウンタイムにつながる不必要なメンテナンスが生じる。 そこで本研究では,TPLマシンの健康状態の正確かつタイムリーなモニタリングを行うための3つの方法を提案する。 物理インフォームドデータ駆動予測モデルと統計的アプローチを組み合わせることにより、提案手法は、様々なレベルの一般化性を備えた、ますます複雑なシナリオを扱うことができる。 2つの機械状態下でのプロセスパラメータの組み合わせと6つの構造次元を含む包括的実験データセットを収集し,提案手法の有効性を検証した。 すべてのテストシナリオにおいて、アプローチは高い精度を実現し、優れた有効性、堅牢性、一般化可能性を示すことが示されている。 これらの結果は,TPLシステムの条件ベースメンテナンスに向けた重要な一歩である。

関連論文リスト

• Enhancing Health Mention Classification Performance: A Study on Advancements in Parameter Efficient Tuning [4.604003661048267]
  HMC(Health Mention Classification)は、ソーシャルメディアの投稿をリアルタイムのトラッキングや公衆衛生モニタリングに活用する上で重要な役割を担っている。 我々は、バイオメディカル自然言語法(NLP)のパラメータを改良した従来の微調整により、より明確な言及が達成できると主張している。 本研究では,音声タグ情報の利用,PEFT技術の改良,その組み合わせなど,さまざまな手法について検討する。
  論文  参考訳（メタデータ） (2025-04-30T14:21:54Z)
• Multimodal Physical Fitness Monitoring (PFM) Framework Based on TimeMAE-PFM in Wearable Scenarios [2.0038092385053994]
  本稿では,改良されたTimeMAEに基づくマルチモーダルPFMフレームワークを提案する。 時系列データを低次元の潜在空間に圧縮し、自己強調型アテンションモジュールを統合する。 その結果、70.6%の精度と82.20%のAUCが、他の最先端の時系列分類モデルを上回った。
  論文  参考訳（メタデータ） (2024-03-25T16:23:43Z)
• Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems [69.41229290253605]
  既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。 これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。 最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
  論文  参考訳（メタデータ） (2024-01-19T16:26:35Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Computational framework for real-time diagnostics and prognostics of aircraft actuation systems [0.0]
  本研究は, 信号取得, 故障検出と同定, 有用寿命推定の3段階に対処する。 この目的を達成するために、異なる忠実度を持つ物理モデルからの情報と機械学習技術を組み合わせることを提案する。 この手法は、二次飛行制御のための航空機の電気機械アクチュエータのFDIおよびRUL推定のために評価される。
  論文  参考訳（メタデータ） (2020-09-30T12:53:07Z)

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。