MétaCan
Menu
Retour à la cohorte
Enregistrement W2805423212 · doi:10.1109/syscon.2018.8369500

Integration of artificial intelligence in an injection molding process for on-line process parameter adjustment

2018· article· en· W2805423212 sur OpenAlexaff
Meaghan Charest, Ryan Finn, Rickey Dubay

Notice bibliographique

Revue2018 Annual IEEE International Systems Conference (SysCon) · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueDigital Transformation in Industry
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesnon disponible
Mots-clésAdaptabilityProcess (computing)Cloud computingComputer scienceController (irrigation)Artificial intelligenceBig dataMolding (decorative)Assembly lineFactory (object-oriented programming)Industrial RevolutionProcess controlManufacturing engineeringIndustrial engineeringMachine learningControl engineeringEngineeringMechanical engineeringData miningOperating system

Résumé

récupéré en direct d'OpenAlex

Significant growth in the application of Artificial Intelligence (AI) due to the introduction of the Industrial Internet of things (IIoT) and cloud computing is leading to the practical presence of machine learning (ML) on the factory floor. This trend is described as a fourth industrial revolution, Industry 4.0. To this end, a convenient platform for the practical inclusion of AI at the controller level of the injection molding process is outlined. Special attention is given to the adaptability of the methodology so that it can be considered for the general case. An initial test conducted on an injection molding machine (IMM) shows that data mining and ML methods can be used for industrial big data to improve controller performance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,227
Score d'incertitude au seuil0,898

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,106
Tête enseignante GPT0,355
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2018 Annual IEEE International Systems Conference (SysCon)Même sujetDigital Transformation in IndustryTravaux en français237 207