Stream-Based Active Learning for Process Monitoring

要約

統計的プロセス監視 (SPM) 手法は、工業プロセスの安定性をチェックするための品質管理において不可欠なツールです。つまり、プロセスの状態を制御中 (IC)、通常の動作条件下、または制御外 (OC) として動的に分類します。
。
従来の SPM 手法は教師なしアプローチに基づいており、ほとんどの産業用途ではプロセスの真の OC 状態が明示的に知られていないため、一般的です。
このため、実際のプロセス状態のラベルを含むプロセス データを代わりに利用できる教師ありメソッドの開発が妨げられました。ただし、高品質プロセスでは OC 状態がまれであるため、クラスの不均衡への対処や動的認識が必要なため、依然として改善が必要です。
目に見えないクラス、たとえば、考えられる OC 状態の数。
この記事では、データ ストリームを処理できるように部分的に隠れたマルコフ モデルを強化する、SPM 用の新しいストリーム ベースのアクティブ ラーニング戦略を紹介します。
最終的な目標は、限られた予算で制約を受けるラベル付けリソースを最適化し、可能な OC 状態を動的に更新することです。
プロセスの真の状態を分類する際の提案された方法のパフォーマンスは、この研究の動機となった自動車産業における抵抗スポット溶接プロセスの SPM に関するシミュレーションとケーススタディを通じて評価されます。

要約(オリジナル)

Statistical process monitoring (SPM) methods are essential tools in quality management to check the stability of industrial processes, i.e., to dynamically classify the process state as in control (IC), under normal operating conditions, or out of control (OC), otherwise. Traditional SPM methods are based on unsupervised approaches, which are popular because in most industrial applications the true OC states of the process are not explicitly known. This hampered the development of supervised methods that could instead take advantage of process data containing labels on the true process state, although they still need improvement in dealing with class imbalance, as OC states are rare in high-quality processes, and the dynamic recognition of unseen classes, e.g., the number of possible OC states. This article presents a novel stream-based active learning strategy for SPM that enhances partially hidden Markov models to deal with data streams. The ultimate goal is to optimize labeling resources constrained by a limited budget and dynamically update the possible OC states. The proposed method performance in classifying the true state of the process is assessed through a simulation and a case study on the SPM of a resistance spot welding process in the automotive industry, which motivated this research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google