論文の概要: Artificial intelligence approaches for energy-efficient laser cutting machines
- arxiv url: http://arxiv.org/abs/2511.14952v1
- Date: Tue, 18 Nov 2025 22:25:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-20 15:51:28.552052
- Title: Artificial intelligence approaches for energy-efficient laser cutting machines
- Title（参考訳）: エネルギー効率の良いレーザー切断機のための人工知能アプローチ
- Authors: Mohamed Abdallah Salem, Hamdy Ahmed Ashour, Ahmed Elshenawy,
- Abstract要約: 本研究は,レーザー切断におけるエネルギー消費と環境影響に関する重要な課題に対処する。
省エネを実現するための新しい深層学習手法を提案する。
その結果, 吸煙ポンプのエネルギー消費量は20%から50%減少した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research addresses the significant challenges of energy consumption and environmental impact in laser cutting by proposing novel deep learning (DL) methodologies to achieve energy reduction. Recognizing the current lack of adaptive control and the open-loop nature of CO2 laser suction pumps, this study utilizes closed-loop configurations that dynamically adjust pump power based on both the material being cut and the smoke level generated. To implement this adaptive system, diverse material classification methods are introduced, including techniques leveraging lens-less speckle sensing with a customized Convolutional Neural Network (CNN) and an approach using a USB camera with transfer learning via the pre-trained VGG16 CNN model. Furthermore, a separate DL model for smoke level detection is employed to simultaneously refine the pump's power output. This integration prompts the exhaust suction pump to automatically halt during inactive times and dynamically adjust power during operation, leading to experimentally proven and remarkable energy savings, with results showing a 20% to 50% reduction in the smoke suction pump's energy consumption, thereby contributing substantially to sustainable development in the manufacturing sector.
- Abstract（参考訳）: 本研究は, レーザー切断におけるエネルギー消費と環境影響に関する重要な課題を, 省エネを実現するために, 新たな深層学習(DL)手法を提案することによって解決する。
本研究は,CO2レーザ吸入ポンプの現在の適応制御の欠如と開ループ特性を認識し,切断した材料と発生した煙量の両方に基づいてポンプ電力を動的に調整する閉ループ構成を利用する。
この適応システムを実現するために、レンズレススペックルセンシングをカスタマイズされた畳み込みニューラルネットワーク(CNN)で活用する手法や、事前訓練されたVGG16 CNNモデルを介して転送学習を行うUSBカメラを用いたアプローチなど、多様な材料分類手法が導入された。
さらに、ポンプの出力を同時に改善するために、煙レベル検出のための別個のDLモデルを用いる。
この統合により、排気吸気ポンプは不活性時間中に自動的に停止し、運転中に電力を動的に調整し、実験的に証明され、顕著な省エネを実現し、その結果、煙吸気ポンプのエネルギー消費が20%から50%減少し、製造セクターの持続的な発展に大きく寄与する。
関連論文リスト
- Adaptive Spiking with Plasticity for Energy Aware Neuromorphic Systems [6.435407289576424]
ASPENはニューロモルフィックシステムのエネルギーを意識した技術で、インテリジェントで常時オン、超低消費電力、低バーデンのウェアラブルの未来を解き放つことができる。
本研究の目的は,ウェアラブルにおけるニューロモルフィックコンピューティングの実現可能性を探究し,オープンな研究方向を同定し,エネルギーを意識した計算に適応的なスパイキング技術を開発する可能性を示すことである。
論文 参考訳（メタデータ） (2025-08-11T21:25:17Z) - Diffusion-Modeled Reinforcement Learning for Carbon and Risk-Aware Microgrid Optimization [48.70916202664808]
DiffCarl(ディフカール)は、マルチマイクログリッドシステムのインテリジェントな操作のための、拡散モデルによる炭素およびリスクを考慮した強化学習アルゴリズムである。
従来のアルゴリズムと最先端のDRLソリューションを2.3-30.1%削減した。
また、炭素を意識しない変種よりも28.7%低い炭素排出量を達成し、性能の変動を減少させる。
論文 参考訳（メタデータ） (2025-07-22T03:27:07Z) - Lightweight LSTM Model for Energy Theft Detection via Input Data Reduction [0.0]
本稿では,プリフィルタとして機能する軽量検出ユニット(watchdog mechanism)を提案する。
LSTMモデルに供給される入力量を削減し、エネルギー盗難の可能性がより高いインスタンスに制限する。
その結果、消費電力の減少は64%を超え、検出精度は最小限に抑えられ、リコールは一貫して高いことがわかった。
論文 参考訳（メタデータ） (2025-06-14T14:40:03Z) - Shaping Laser Pulses with Reinforcement Learning [1.0923877073891446]
高出力レーザー(HPL)システムは、人類が作り出した最短の時間スケールであるアト秒体制で運用されている。
伝統的に、HPL光学性能を制御するパラメータは、人間の専門家によって手動で調整されている。
Deep Reinforcement Learning (DRL)は、静的でない環境でシーケンシャルな意思決定を可能にする、有望な代替手段を提供する。
論文 参考訳（メタデータ） (2025-03-01T14:00:41Z) - Revisiting DNN Training for Intermittently-Powered Energy-Harvesting Micro-Computers [0.6721767679705013]
本研究では,エネルギー制約環境下でのディープニューラルネットワークに適した新しいトレーニング手法を紹介し,評価する。
本稿では,デバイスアーキテクチャとエネルギー可用性の変動性の両方に適応する動的ドロップアウト手法を提案する。
予備的な結果は、この戦略が5%未満の計算量を持つ最先端技術と比較して6～22%の精度向上をもたらすことを示している。
論文 参考訳（メタデータ） (2024-08-25T01:13:00Z) - AI-Driven approach for sustainable extraction of earth's subsurface renewable energy while minimizing seismic activity [44.99833362998488]
地球の地殻に流体を注入すると、地震を誘発または引き起こすことがある。
本研究では,人間による震度制御のための強化学習に基づく新しい手法を提案する。
本研究では,強化学習アルゴリズムが頑健な制御器と効率的に対話可能であることを示す。
論文 参考訳（メタデータ） (2024-08-07T10:06:04Z) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳（メタデータ） (2024-04-17T02:04:10Z) - Towards Physical Plausibility in Neuroevolution Systems [0.276240219662896]
人工知能(AI)モデル、特にディープニューラルネットワーク(DNN)の利用の増加は、トレーニングや推論における消費電力を増加させている。
本研究は機械学習(ML)におけるエネルギー消費の増大問題に対処する。
電力使用量をわずかに削減しても、大幅な省エネ、ユーザ、企業、環境に恩恵をもたらす可能性がある。
論文 参考訳（メタデータ） (2024-01-31T10:54:34Z) - Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A
Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。
地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。
本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-17T02:12:30Z) - High-Fidelity Machine Learning Approximations of Large-Scale Optimal
Power Flow [49.2540510330407]
AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。
本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
論文 参考訳（メタデータ） (2020-06-29T20:22:16Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。