Image-Based Versus Signal-Based Sensors for Machine Fault Detection and Isolation
Notice bibliographique
Résumé
This paper presents the results of a comparative study that investigated the use of image-based and signal-based sensors for fault detection and fault isolation of visually-cued faults on an automated assembly machine. The machine assembles 8 mm circular parts, from a bulk-supply, onto continuously moving carriers at a rate of over 100 assemblies per minute. Common faults on the machine include part jams and ejected parts that occur at different locations on the machine. Two sensor systems are installed on the machine for detecting and isolating these faults: an image-based system consisting of a single camera and a signal-based sensor system consisting of multiple greyscale sensors and limit switches. The requirements and performance of both systems are compared for detecting six faults on the assembly machine. It is found that both methods are able to effectively detect the faults but they differ greatly in terms of cost, ease of implementation, detection time and fault isolation capability. The conventional signal-based sensors are low in cost, simple to implement and require little computing power, but the installation is intrusive to the machine and readings from multiple sensors are required for faster fault detection and isolation. The more sophisticated image-based system requires an expensive, high-resolution, high-speed camera and significantly more processing power to detect the same faults; however, the system is not intrusive to the machine, fault isolation becomes a simpler problem with video data, and the single camera is able to detect multiple faults in its field of view.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».