論文の概要: Machining Cycle Time Prediction: Data-driven Modelling of Machine Tool Feedrate Behavior with Neural Networks

• arxiv url: http://arxiv.org/abs/2106.09719v1
• Date: Fri, 18 Jun 2021 08:29:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-21 13:56:37.096419
• Title: Machining Cycle Time Prediction: Data-driven Modelling of Machine Tool Feedrate Behavior with Neural Networks
• Title（参考訳）: 加工サイクル時間予測:ニューラルネットワークを用いたマシンツールフィード行動のデータ駆動モデリング
• Authors: Chao Sun, Javier Dominguez-Caballero, Rob Ward, Sabino Ayvar-Soberanis, David Curtis
• Abstract要約: 本稿では,機械工具軸毎にニューラルネットワークモデルを構築し,データ駆動型フィードレートと加工サイクル時間予測手法を提案する。 市販加工センターにおける産業用薄肉構造部品を用いた検証試験により, 加工時間を90%以上精度で推定した。
• 参考スコア（独自算出の注目度）: 0.34998703934432673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of machining cycle times is important in the manufacturing industry. Usually, Computer Aided Manufacturing (CAM) software estimates the machining times using the commanded feedrate from the toolpath file using basic kinematic settings. Typically, the methods do not account for toolpath geometry or toolpath tolerance and therefore under estimate the machining cycle times considerably. Removing the need for machine specific knowledge, this paper presents a data-driven feedrate and machining cycle time prediction method by building a neural network model for each machine tool axis. In this study, datasets composed of the commanded feedrate, nominal acceleration, toolpath geometry and the measured feedrate were used to train a neural network model. Validation trials using a representative industrial thin wall structure component on a commercial machining centre showed that this method estimated the machining time with more than 90% accuracy. This method showed that neural network models have the capability to learn the behavior of a complex machine tool system and predict cycle times. Further integration of the methods will be critical in the implantation of digital twins in Industry 4.0.
• Abstract（参考訳）: 製造業では,加工サイクルの正確な予測が重要である。 通常、コンピュータ支援製造(cam)ソフトウェアは、ツールパスファイルから指令フィードレートを使用して、基本的なキネマティックな設定で加工時間を推定する。 通常、この手法は工具パス幾何学や工具パス耐性を考慮せず、したがって加工サイクルの時間を大幅に見積もっている。 本稿では,機械固有の知識を取り除き,各機械工具軸に対してニューラルネットワークモデルを構築し,データ駆動型フィードレートおよび加工サイクルタイム予測手法を提案する。 本研究では, ニューラルネットワークモデルの学習に, 指令フィードレート, 名目加速度, ツールパス幾何, 測定フィードレートからなるデータセットを用いた。 商業加工センターにおける代表的な産業用薄肉構造成分を用いた検証試験により,90%以上の精度で加工時間を推定した。 この手法は、ニューラルネットワークモデルが複雑な機械工具システムの振る舞いを学習し、サイクルタイムを予測する能力を持つことを示した。 この方法のさらなる統合は、産業4.0におけるデジタル双生児の移植において重要である。

関連論文リスト

• Learning-based adaption of robotic friction models [48.453527255659296]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 提案する推定器は,従来のモデルベースアプローチとベースニューラルネットワークを著しく上回る性能を示した。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Making informed decisions in cutting tool maintenance in milling: A KNN based model agnostic approach [0.0]
  そこで本研究では,KNNをベースとしたホワイトボックスモデルを提案する。 このアプローチは、ツールが特定の状態にある理由を検出するのに役立つ。
  論文  参考訳（メタデータ） (2023-10-23T07:02:30Z)
• Defect Classification in Additive Manufacturing Using CNN-Based Vision Processing [76.72662577101988]
  本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。 これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
  論文  参考訳（メタデータ） (2023-07-14T14:36:58Z)
• Grain and Grain Boundary Segmentation using Machine Learning with Real and Generated Datasets [0.0]
  畳み込みニューラルネットワーク(CNN)を用いた粒界セグメンテーション ランダムな合成ノイズと模擬欠陥を併用したボロノイ焼成パターンを開発し, 新規な造粒法を開発した。
  論文  参考訳（メタデータ） (2023-07-12T04:38:44Z)
• Pallet Detection from Synthetic Data Using Game Engines [0.0]
  本研究は, ゲームエンジンを用いて, パレットセグメンテーションの文脈において, 機械学習のための合成トレーニングデータを生成することの実現可能性を評価することを目的とする。 我々は,3次元モデルから大量の注釈付きトレーニングデータを画素完全精度で自動生成できるツールを開発した。
  論文  参考訳（メタデータ） (2023-04-07T11:54:40Z)
• Online Learning of Wheel Odometry Correction for Mobile Robots with Attention-based Neural Network [63.8376359764052]
  現代のロボットプラットフォームは、人間の横で毎日運用するために、信頼性の高いローカライゼーションシステムを必要としている。 フィルタされた車輪と慣性オドメトリーに基づく単純なポーズ推定アルゴリズムは、急激なキネマティックな変化とホイールスリップの存在下で失敗することが多い。 本稿では,車輪形状補正のための革新的なオンライン学習手法を提案し,ロバストなマルチソースローカライゼーションシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-21T10:30:31Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• PyTorch Geometric Temporal: Spatiotemporal Signal Processing with Neural Machine Learning Models [8.572409162523735]
  pytorch temporalは、神経信号処理のための時間的ディープラーニングフレームワークである。 PyTorchのエコシステムにある既存のライブラリの基礎として作られた。 実験では、フレームワークが豊富な時間的特徴と空間構造を持つWebスケールデータセット上で動作できる可能性があることが示された。
  論文  参考訳（メタデータ） (2021-04-15T21:45:57Z)
• Post-Estimation Smoothing: A Simple Baseline for Learning with Side Information [102.18616819054368]
  本稿では,構造指標データを予測に組み込む高速かつ効率的な手法として,後推定平滑化演算子を提案する。 滑らかなステップは元の予測器とは分離されているため、機械学習タスクの幅広いクラスに適用できる。 大規模な空間的・時間的データセットに関する実験は,実測後のスムース化の速度と正確さを浮き彫りにした。
  論文  参考訳（メタデータ） (2020-03-12T18:04:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。