MétaCan
Menu
Retour à la cohorte
Enregistrement W3138535992 · doi:10.3390/jmmp5010026

Condition Monitoring of Manufacturing Processes under Low Sampling Rate

2021· article· en· W3138535992 sur OpenAlexafffund
Gabriel Bernard, Sofiane Achiche, Sébastien Girard, J.R.R. Mayer

Notice bibliographique

RevueJournal of Manufacturing and Materials Processing · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueFault Detection and Control Systems
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of Canada
Mots-clésKernel density estimationSampling (signal processing)Computer scienceProcess (computing)Condition monitoringIndustrial engineeringEstimationManufacturing execution systemMachine toolReal-time computingReliability engineeringManufacturing engineeringEngineeringComputer-integrated manufacturingSystems engineeringStatisticsMechanical engineeringMathematicsComputer vision

Résumé

récupéré en direct d'OpenAlex

Manufacturing processes can be monitored for anomalies and failures just like machines, in condition monitoring and prognostic and health management. This research takes inspiration from condition monitoring and prognostic and health management techniques to develop a method for part production process monitoring. The contribution brought by this paper is an automated technique for process monitoring that works with low sampling rates of 1/3Hz, a limitation that comes from using data provided by an industrial partner and acquired from industrial manufacturing processes. The technique uses kernel density estimation functions on machine tools spindle load historical time signals for distribution estimation. It then uses this estimation to monitor the manufacturing processes for anomalies in real time. A modified version was tested by our industrial partner on a titanium part manufacturing line.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,042
Score d'incertitude au seuil0,706

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 savante0,0000,000
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 Opus0,016
Tête enseignante GPT0,251
Écart entre enseignants0,236 · 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'étudeExpérimental (laboratoire)
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

Citations5
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Manufacturing and Materials ProcessingMême sujetFault Detection and Control SystemsTravaux en français237 207