論文の概要: Acoustic Anomaly Detection for Early Identification of Drill Jamming

• arxiv url: http://arxiv.org/abs/2611.07356v1
• Date: Thu, 05 Nov 2026 02:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.497063
• Title: Acoustic Anomaly Detection for Early Identification of Drill Jamming
• Title（参考訳）: ドリルジャミングの早期同定のための音響異常検出
• Abstract要約: 本研究では, 超音波センサを用いた音響異常検出システムを提案し, 加工工程の故障前パターンを同定する。 その結果,Autoencoderは産業安全に極めて有効であり,1.00のリコールと0.81の総合F1スコアを達成した。
• 参考スコア（独自算出の注目度）: 1.071544542794876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the context of Industry 4.0, predictive maintenance is essential to minimize unplanned downtime and ensure operational safety. In machining processes, drill jamming is a critical failure that compromises both workpiece quality and tool integrity. This work proposes an acoustic anomaly detection system using ultrasonic sensors to identify pre-failure patterns in Computer Numerical Control (CNC) machining. We release a public dataset of time- and frequency-domain acoustic features from 17 drills, and benchmark semi-supervised autoencoder-based normality modelling against supervised XGBoost classification using Leave-One-Drill-Out validation. The results demonstrate that the Autoencoder is highly effective for industrial safety, achieving a Recall of 1.00 and a consolidated F1-score of 0.81. Furthermore, the threshold-independent analysis shows that the Autoencoder better separates normal and pre-failure acoustic patterns, achieving a consolidated AUC of 0.8294, compared with 0.7559 for the supervised model under inter-tool covariate shift. In contrast, the supervised XGBoost achieved an average F1-score of 0.55 and failed to detect failures in some of the evaluated drills. The findings highlight that the ultrasonic spectrum provides a reliable window for identifying incipient mechanical instabilities, and the AE model offers a robust safety envelope by anticipating all jamming events across the tested drill bits.
• Abstract（参考訳）: 産業4.0の文脈では、計画外のダウンタイムを最小化し、運用上の安全性を確保するためには、予測的メンテナンスが不可欠である。 加工プロセスでは、ドリルジャミングは、ワークピースの品質とツールの整合性を損なう重要な失敗である。 本研究は,CNC(Computer Numerical Control)加工におけるプリフェイルパターンを特定するために,超音波センサを用いた音響異常検出システムを提案する。 我々は17のドリルから時間領域と周波数領域の音響特性のパブリックデータセットを公開し、Leave-One-Drill-Outバリデーションを用いた教師付きXGBoost分類に対する半教師付きオートエンコーダに基づく正規性モデリングをベンチマークした。 その結果,Autoencoderは産業安全に極めて有効であり,1.00のリコールと0.81の総合F1スコアを達成した。 さらに、しきい値に依存しない分析の結果、オートエンコーダは通常の音響パターンとプリフェイル音響パターンを分離し、統合されたAUCは0.8294、教師付きモデルでは0.7559であることがわかった。 対照的に、監督されたXGBoostは平均F1スコア0.55を達成し、いくつかの評価されたドリルの故障を検知できなかった。 この結果から,超音波スペクトルは初期機械的不安定性を特定するための信頼性の高い窓を提供し,AEモデルは試験されたドリルビットにまたがる全ての妨害事象を予測し,堅牢な安全封筒を提供することがわかった。

関連論文リスト

• Benchmarking Unsupervised Jamming Detection in 5G Open RAN [42.727584386619895]
  電波周波数(RF)ジャミングは第5世代(5G)ネットワークを脅かす。 本稿では統計的および再構成に基づく教師なしジャミング検出器のベンチマークを行う。 SEMは、F1ランキングと整合して、すべての環境で第1位にランクインする。
  論文  参考訳（メタデータ） (2026-11-03T05:58:35Z)
• A Unified Score Matching Paradigm for Video Anomaly Detection and Anticipation [41.79911063188015]
  ビデオ異常検出(VAD)はコンピュータビジョンの基本的かつ安全性に重要な課題である。 最近の生成的アプローチは分布の観点から異常を検出するが、局所的な異常モードによって制限される。 ビデオ異常予測(VAA)は、ポストホック検出以上のプロアクティブな拡張である。
  論文  参考訳（メタデータ） (2026-10-08T03:12:12Z)
• Vision-Language Models for Analog Gauge Reading: An Empirical Study of Specialization, Transfer and Reliability [3.112410411428948]
  本研究は,汎用視覚言語モデル(VLM)の特殊化,伝達,堅牢性,信頼性の体系的評価である。 Qwen2.5-VL-7B-インストラクトモデルは、ゼロショットプロンプト、インコンテキストラーニング(ICL)、および量子化低ランク適応(QLoRA)を用いたパラメータ効率の微調整を用いて評価される。 最高の微調整MPE値は、95%信頼区間(CI)が1.43-3.90%、圧力ゲージデータセットが2.61%、CIが1.66-3.80%、および4.4の合成データセットで2.39%である。
  論文  参考訳（メタデータ） (2026-08-18T12:47:14Z)
• The Signal in the Noise: An Auditable Reliability Layer for Biomedical Text Classification [0.0]
  安全指向の事前処理モジュールとして考案された,保守的で完全に監査可能なスペル補正信頼性層を導入する。 決定論的アーキテクチャは、コーパス由来のn-gramスコアと一連のバイオメディカル安全ゲートを備えた編集距離候補生成を境界とする。 システムは完全に決定論的であり、アーティファクト駆動であり、デプロイメントと監査性を考慮して設計されている。
  論文  参考訳（メタデータ） (2026-06-16T23:14:36Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• Zero-Shot Detection of Elastic Transient Morphology Across Physical Systems [0.0]
  干渉ひずみの過渡度から学習した表現は、未知のセンサのモルフォロジーに敏感な演算子として機能することを示す。 非ガウス楽器のグリッチを専門に訓練したニューラルエンコーダを用いて、圧延要素の軸受に対して厳密なゼロショット異常解析を行う。
  論文  参考訳（メタデータ） (2026-01-16T16:35:07Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Dual-Mode Deep Anomaly Detection for Medical Manufacturing: Structural Similarity and Feature Distance [2.467339701756281]
  本稿では,2つの注意誘導型オートエンコーダアーキテクチャを提案する。 1つ目は、軽量でリアルタイムな欠陥検出を可能にする構造的類似性に基づくスコアリングアプローチである。 第二に、Mahalanobis を用いた特徴距離ベースの戦略を、遅延特性の低減に応用する。
  論文  参考訳（メタデータ） (2025-09-06T18:17:40Z)
• Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する 本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。 本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
  論文  参考訳（メタデータ） (2024-09-23T15:20:33Z)

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。