論文の概要: Process Integrated Computer Vision for Real-Time Failure Prediction in Steel Rolling Mill

• arxiv url: http://arxiv.org/abs/2510.26684v1
• Date: Thu, 30 Oct 2025 16:54:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.910216
• Title: Process Integrated Computer Vision for Real-Time Failure Prediction in Steel Rolling Mill
• Title（参考訳）: 鉄鋼圧延機のリアルタイム故障予測のためのプロセス統合型コンピュータビジョン
• Authors: Vaibhav Kurrey, Sivakalyan Pujari, Gagan Raj Gupta,
• Abstract要約: 鉄鋼圧延機における故障予測のための機械ビジョンに基づく異常検出システムを提案する。 このシステムは産業用カメラを統合し、プロセスラインに沿ってリアルタイムで機器の操作、アライメント、ホットバーの動きを監視する。 ライブビデオストリームは、ディープラーニングモデルを使用して集中型ビデオサーバで処理され、機器故障の早期予測を可能にする。
• 参考スコア（独自算出の注目度）: 0.6040904021861969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a long-term deployment study of a machine vision-based anomaly detection system for failure prediction in a steel rolling mill. The system integrates industrial cameras to monitor equipment operation, alignment, and hot bar motion in real time along the process line. Live video streams are processed on a centralized video server using deep learning models, enabling early prediction of equipment failures and process interruptions, thereby reducing unplanned breakdown costs. Server-based inference minimizes the computational load on industrial process control systems (PLCs), supporting scalable deployment across production lines with minimal additional resources. By jointly analyzing sensor data from data acquisition systems and visual inputs, the system identifies the location and probable root causes of failures, providing actionable insights for proactive maintenance. This integrated approach enhances operational reliability, productivity, and profitability in industrial manufacturing environments.
• Abstract（参考訳）: 鉄鋼圧延機における故障予測のための機械ビジョンに基づく異常検出システムの長期展開について検討する。 このシステムは産業用カメラを統合し、プロセスラインに沿ってリアルタイムで機器の操作、アライメント、ホットバーの動きを監視する。 ライブビデオストリームは、ディープラーニングモデルを使用して集中型ビデオサーバで処理され、機器故障の早期予測とプロセス中断を可能にし、計画外の分解コストを削減できる。 サーバベースの推論は、産業プロセス制御システム(PLC)の計算負荷を最小限に抑え、最小限の追加リソースで生産ラインをまたいだスケーラブルなデプロイメントをサポートする。 データ取得システムと視覚入力からセンサデータを共同で解析することにより、障害の場所と可能性のある根本原因を特定し、積極的な保守のための実用的な洞察を提供する。 この統合されたアプローチは、工業生産環境における運用の信頼性、生産性、利益性を高める。

関連論文リスト

• Redundancy Analysis and Mitigation for Machine Learning-Based Process Monitoring of Additive Manufacturing [3.414636048610798]
  過剰な冗長性は、機器コストの増加、モデル性能の損耗、高い計算要求をもたらす。 本稿では,MLに基づくAMプロセス監視における冗長性を定義し,それをサンプルレベル,特徴レベル,モデルレベルの冗長性に分類する。 データ登録やダウンスケール,モダリティ間の知識伝達,モデルプルーニングといった高度な手法を取り入れた,総合的マルチレベル冗長性緩和(MLRM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-30T05:04:53Z)
• Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
  オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。 モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。 実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
  論文  参考訳（メタデータ） (2024-12-05T18:58:27Z)
• Root Cause Analysis Of Productivity Losses In Manufacturing Systems Utilizing Ensemble Machine Learning [0.0]
  本研究では、データ駆動型アンサンブルアプローチを導入し、サイクル当たりの生産性損失を分析した。 アンサンブルアプローチは、情報理論や機械学習行動モデルなど、さまざまな手法を統合する。 半自動溶接製造システム、射出成形自動化システム、および合成生成試験PLCデータセットを用いて検証する。
  論文  参考訳（メタデータ） (2024-07-31T10:21:20Z)
• Time-Series Forecasting and Sequence Learning Using Memristor-based Reservoir System [2.6473021051027534]
  我々は,効率的な時間的データ処理とオンライン学習を兼ね備えたmemristorベースのエコー状態ネットワークアクセラレータを開発した。 提案した設計は、負荷エネルギー消費と気象条件の予測など、実世界のタスクを含む様々なデータセットを用いてベンチマークされる。 このシステムはデバイス故障に対して10%以下で合理的な堅牢性を示すことが観察された。
  論文  参考訳（メタデータ） (2024-05-22T05:07:56Z)
• IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
  ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。 本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。 このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
  論文  参考訳（メタデータ） (2024-04-23T13:38:01Z)
• 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)
• Federated Learning for Autoencoder-based Condition Monitoring in the Industrial Internet of Things [0.07646713951724012]
  コンディションモニタリングと予測保守手法は,産業用モノのインターネットにおいて,効率的かつ堅牢な製造サイクルを実現するための重要な柱である。 複数の産業環境にまたがって収集されたさまざまなデータを分析して、機械学習モデルを用いて劣化行動を検出し予測することは、最近の研究で有望な成果を示している。 業界サイト間の知識のコラボレーションと共有は大きな利益をもたらすが、データプライバシーの問題のため、しばしば禁止される。 本稿では,自動エンコーダを用いたフェデレート学習手法を提案する。回転機械の振動センサデータを利用して,オンプレミスで監視機に近いエッジデバイス上での分散トレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:40:50Z)
• Machine Learning based Indicators to Enhance Process Monitoring by Pattern Recognition [0.4893345190925177]
  パターンタイプと強度を組み合わせた機械学習に基づく指標のための新しいフレームワークを提案する。 半導体産業のケーススタディでは,従来のプロセス制御を越え,高品質な実験結果を得る。
  論文  参考訳（メタデータ） (2021-03-24T10:13:20Z)
• Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
  未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。 機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。 従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2020-07-07T10:00:32Z)

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。