Detecting Industrial Fouling by Monotonicity during Ultrasonic Cleaning

Tutkimustuotos: Artikkeli kirjassa/raportissa/konferenssijulkaisussaKonferenssiartikkeliTieteellinenvertaisarvioitu

Abstrakti

High power ultrasound permits non-invasive cleaning of industrial equipment, but to make such cleaning systems energy efficient, one needs to recognize when the structure has been sufficiently cleaned without using invasive diagnostic tools. This can be done using ultrasound reflections generated inside the structure. This inverse modeling problem cannot be solved by forward modeling for irregular and complex structures, and it is difficult to tackle also with machine learning since human-annotated labels are hard get. We provide a deep learning solution that relies on the physical properties of the cleaning process. We rely on the fact that the amount of fouling is reduced as we clean more. Using this monotonicity property as indirect supervision we develop a semi-supervised model for detecting when the equipment has been cleaned.
Alkuperäiskielienglanti
Otsikko2018 IEEE 28th International Workshop on Machine Learning for Signal Processing (MLSP)
Sivumäärä6
KustantajaIEEE
Julkaisupäivä1 marraskuuta 2018
ISBN (painettu)978-1-5386-5478-1
ISBN (elektroninen)978-1-5386-5477-4
DOI - pysyväislinkit
TilaJulkaistu - 1 marraskuuta 2018
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE INTERNATIONAL WORKSHOP ON MACHINE LEARNING FOR SIGNAL PROCESSING - Aalborg, Tanska
Kesto: 17 syyskuuta 201820 syyskuuta 2018
Konferenssinumero: 28
http://mlsp2018.conwiz.dk/home.htm

Tieteenalat

  • 113 Tietojenkäsittely- ja informaatiotieteet

Siteeraa tätä