論文の概要: A Data-Driven Framework for Unsupervised Monitoring of Transmission Systems Using End-of-Line Testing Data: A Case Study at Ford Motor Company

• arxiv url: http://arxiv.org/abs/2610.06980v1
• Date: Sun, 04 Oct 2026 03:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.487041
• Title: A Data-Driven Framework for Unsupervised Monitoring of Transmission Systems Using End-of-Line Testing Data: A Case Study at Ford Motor Company
• Title（参考訳）: エンド・オブ・ライン試験データを用いた送電システムの教師なし監視のためのデータ駆動型フレームワーク:フォード自動車を事例として
• Abstract要約: 高次元(HD)データは複雑な非線形パターンと強い時間依存性によって特徴づけられる。 従来の統計モニタリング手法は、しばしばそのような非線形構造を捉える能力に制限される。 本稿では,HDデータのための高度な多変量モニタリングフレームワークを提案する。 フォード自動車の自動車製造環境における実生産データに関する枠組みについて検討した。
• 参考スコア（独自算出の注目度）: 2.243971695095392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sensing technologies have advanced rapidly across industries ranging from energy to automotive manufacturing. These systems generate high-dimensional (HD) data characterized by complex nonlinear patterns and strong temporal dependencies. Traditional statistical monitoring methods are often limited in their ability to capture such nonlinear structure. Likewise, many analytical approaches used in End-of-Line testing rely on predefined thresholds and heuristic rules, which restrict their ability to detect informative anomaly signatures in HD temporal data. In contrast, while modern deep learning and generative AI models offer strong predictive capabilities, they are often unsuitable in applications where data are costly to collect and where the monitoring system must remain interpretable, low-latency, computationally efficient, and usable by non-technical practitioners. To overcome these limitations, we propose an advanced multivariate monitoring framework for HD data. The framework operates in two stages. In the first stage, the data are preprocessed to remove incomplete and non-informative samples and to temporally align time series data. In the second stage, nonlinear dimensionality reduction is performed, followed by anomaly detection through a control chart based phase I monitoring procedure. The framework can be used in both unsupervised and supervised settings, depending on the availability of ground truth labels during training. Moreover, its flexible and modular structure allows practitioners to adapt its components to different domains and operational requirements. We evaluate the proposed framework on real production data from an automotive manufacturing environment at Ford Motor Company. The proposed method achieves higher accuracy, recall, and F1 score than the company's existing model, improving these metrics from 0.50, 0.30, and 0.429 to 0.625, 1.00, and 0.769, respectively.
• Abstract（参考訳）: センシング技術は、エネルギーから自動車製造まで幅広い産業で急速に進歩している。 これらのシステムは、複雑な非線形パターンと強い時間依存性を特徴とする高次元(HD)データを生成する。 従来の統計モニタリング手法は、しばしばそのような非線形構造を捉える能力に制限される。 同様に、End-of-Lineテストで使用される多くの分析的アプローチは、HD時間データにおける情報的異常なシグネチャを検出する能力を制限する、予め定義されたしきい値とヒューリスティックなルールに依存している。 対照的に、現代のディープラーニングと生成AIモデルは強力な予測能力を提供するが、データ収集にコストがかかり、監視システムが解釈可能で、低レイテンシで、計算効率が良く、非技術的実践者が使用できなければならないアプリケーションには適していないことが多い。 これらの制限を克服するために,HDデータのための高度な多変量モニタリングフレームワークを提案する。 フレームワークは2段階で動作する。 第1段階では、データは前処理され、不完全で非情報的サンプルを除去し、時系列データを時間的に整列する。 第2段階では、非線形次元低減を行い、その後、制御チャートに基づくフェーズI監視手順による異常検出を行う。 このフレームワークは、トレーニング中の地上の真実ラベルの可用性に応じて、教師なし設定と教師なし設定の両方で使用することができる。 さらに、フレキシブルでモジュール化された構造により、実践者はそのコンポーネントを異なるドメインや運用要件に適合させることができる。 フォード自動車の自動車製造環境における実生産データに関する枠組みについて検討した。 提案手法は同社の既存モデルよりも精度が高く,0.50,0.30,0.429から0.625,1.00,0.769に改善した。

関連論文リスト

• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Monitoring Data-aware Temporal Properties (Extended Version) [56.386411908764494]
  有限トレース上の任意のSMT理論に富む線形時間特性の予測モニタリングについて考察する。 この設定での予測モニタリングは非常に困難であり、監視状態はこれまでのトレースプレフィックスと可能な有限継続の両方に依存している。 本研究は,表現的フラグメントオフMTにおける特性モニタリングのための新しい基礎的枠組みの正しさを提示し,正式に証明するものである。
  論文  参考訳（メタデータ） (2026-05-14T10:23:11Z)
• Benchmarking Vision Foundation Models for Input Monitoring in Autonomous Driving [7.064497253920508]
  特徴抽出器および密度モデリング技術としてのビジョンファウンデーションモデル(VFM)を提案する。 最先端のバイナリOOD分類法と比較すると、密度推定によるVFM埋め込みはOOD入力の同定において既存の手法よりも優れていることが分かる。 提案手法は,ダウンストリームタスクにおけるエラーの原因となる可能性のある高リスク入力を検出し,全体的な性能を向上させる。
  論文  参考訳（メタデータ） (2025-01-14T12:51:34Z)
• DDD-GenDT: Dynamic Data-driven Generative Digital Twin Framework [0.43127334486935653]
  デジタルツイン(DT)技術は、物理システムのリアルタイムシミュレーション、予測、最適化を可能にする。 この記事では、動的データ駆動型アプリケーションシステムパラダイムに基づく動的データ駆動型ディジタルツインフレームワークであるDDD-GenDTを紹介します。 生成AIを活用することにより、DDD-GenDTは、広範な履歴データセットへの依存を低減し、データスカース設定でのDT構築を可能にする。
  論文  参考訳（メタデータ） (2024-12-28T01:13:30Z)
• Trimming the Risk: Towards Reliable Continuous Training for Deep Learning Inspection Systems [10.121053770426759]
  産業は、製造検査に深層学習(DL)技術にますます依存している。 有限ラベル付きデータセットは 自然の変化を 包含しないことが多い 我々は,信頼性の高いデータ選択を用いてDLモデルを更新する,頑健なCTベースのメンテナンス手法を開発した。
  論文  参考訳（メタデータ） (2024-09-13T15:02:13Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• In-flight Novelty Detection with Convolutional Neural Networks [0.0]
  本稿では,予防的保守意思決定者の注意を喚起するために,システム出力の測定をリアルタイムに優先することを提案する。 本稿では,異常データのオンライン検出と優先順位付けのためのデータ駆動システムを提案する。 このシステムは低消費電力の組み込みハードウェアでリアルタイムに動作可能で、現在ロールス・ロイス・パール15のエンジン飛行試験に配備中である。
  論文  参考訳（メタデータ） (2021-12-07T15:19:41Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)

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。