論文の概要: A White-Box SVM Framework and its Swarm-Based Optimization for
Supervision of Toothed Milling Cutter through Characterization of Spindle
Vibrations
- arxiv url: http://arxiv.org/abs/2112.08421v1
- Date: Wed, 15 Dec 2021 19:08:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-17 16:26:39.332515
- Title: A White-Box SVM Framework and its Swarm-Based Optimization for
Supervision of Toothed Milling Cutter through Characterization of Spindle
Vibrations
- Title（参考訳）: スピンドル振動のキャラクタリゼーションによる白箱SVMフレームワークとそのSwarm-based Optimization for Supervision of Toothed Milling Cutter
- Authors: Tejas Y. Deo, Abhishek D. Patange, Sujit S. Pardeshi, R.
Jegadeeshwaran, Apoorva N. Khairnar, Hrushikesh S. Khade
- Abstract要約: The white-Box support vector machine (SVM) framework and its Swarm-based optimization is presented for supervision of toothed milling cutter。
振動の異常モーメントは加速度と統計的特徴の時間領域応答によって研究されている。
ツールの健康モニタリングに標準SVMの能力について検討し、Swarmベースのアルゴリズムを適用してその最適化を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, a white-Box support vector machine (SVM) framework and its
swarm-based optimization is presented for supervision of toothed milling cutter
through characterization of real-time spindle vibrations. The anomalous moments
of vibration evolved due to in-process tool failures (i.e., flank and nose
wear, crater and notch wear, edge fracture) have been investigated through
time-domain response of acceleration and statistical features. The Recursive
Feature Elimination with Cross-Validation (RFECV) with decision trees as the
estimator has been implemented for feature selection. Further, the competence
of standard SVM has been examined for tool health monitoring followed by its
optimization through application of swarm based algorithms. The comparative
analysis of performance of five meta-heuristic algorithms (Elephant Herding
Optimization, Monarch Butterfly Optimization, Harris Hawks Optimization, Slime
Mould Algorithm, and Moth Search Algorithm) has been carried out. The white-box
approach has been presented considering global and local representation that
provides insight into the performance of machine learning models in tool
condition monitoring.
- Abstract（参考訳）: 本稿では, 実時間スピンドル振動のキャラクタリゼーションにより, 歯削カッターの監視を行うためのWhite-Box Support vector Machine(SVM)フレームワークとそのSwarmベースの最適化について述べる。
アクセラレーションの時間領域応答と統計的特徴から, プロセス内工具の摩耗(側面・鼻の摩耗, クレーター・ノッチの摩耗, エッジフラクチャー)による振動の異常モーメントについて検討した。
特徴選択のために決定木を用いた再帰的特徴除去法(rfecv)が実装されている。
さらに、ツールヘルスモニタリングのための標準svmの能力と、swarmベースのアルゴリズムの適用による最適化が検討されている。
5つのメタヒューリスティックアルゴリズム(エレファント・ハーディング最適化、モザイク・バタフライ最適化、ハリス・ホークス最適化、スライム・モールドアルゴリズム、モス探索アルゴリズム)の性能比較分析を行った。
ツール条件監視における機械学習モデルの性能に関する洞察を提供するグローバルおよびローカル表現を考慮したホワイトボックスアプローチが提案されている。
関連論文リスト
- Preventing Local Pitfalls in Vector Quantization via Optimal Transport [77.15924044466976]
我々はシンクホーンアルゴリズムを用いて最適な輸送問題を最適化する新しいベクトル量子化法であるOptVQを紹介する。
画像再構成タスクの実験では,OptVQが100%のコードブック利用を実現し,現在最先端のVQNを超越していることが示された。
論文 参考訳（メタデータ） (2024-12-19T18:58:14Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - Intuitionistic Fuzzy Generalized Eigenvalue Proximal Support Vector Machine [4.069144210024564]
汎用固有値近位サポートベクトルマシン (GEPSVM) は、その単純なアーキテクチャ、高速実行、可読性性能により、広く注目を集めている。
直観的ファジィ一般化固有値近位支持ベクトルマシン(IF-GEPSVM)を提案する。
提案したIF-GEPSVMは、カーネル関数を用いて、その位置と高次元特徴空間の周囲に基づいて、各トレーニングサンプルに直観的ファジィスコアを割り当てる。
論文 参考訳（メタデータ） (2024-08-03T08:49:23Z) - Advancing Supervised Learning with the Wave Loss Function: A Robust and Smooth Approach [0.0]
本稿では,非対称な損失関数であるウェーブロスという,教師あり機械学習の領域への新たな貢献について述べる。
提案したウェーブロス関数を,サポートベクトルマシン (SVM) とツインサポートベクトルマシン (TSVM) の最小2乗設定に組み込む。
提案する Wave-SVM と Wave-TSVM の有効性を実証的に示すため,UCI と KEEL のベンチマークを用いて評価を行った。
論文 参考訳（メタデータ） (2024-04-28T07:32:00Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳（メタデータ） (2023-12-29T08:42:10Z) - Fine-Tuning Adaptive Stochastic Optimizers: Determining the Optimal Hyperparameter $ε$ via Gradient Magnitude Histogram Analysis [0.7366405857677226]
我々は、損失の大きさの経験的確率密度関数に基づく新しい枠組みを導入し、これを「緩やかな等級ヒストグラム」と呼ぶ。
そこで本稿では, 最適安全のための精密かつ高精度な探索空間を自動推定するために, 勾配等級ヒストグラムを用いた新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-20T04:34:19Z) - Comparative Evaluation of Metaheuristic Algorithms for Hyperparameter
Selection in Short-Term Weather Forecasting [0.0]
本稿では,遺伝的アルゴリズム (GA), 微分進化 (DE), 粒子群最適化 (PSO) のメタヒューリスティックアルゴリズムの適用について検討する。
平均二乗誤差(MSE)や平均絶対パーセンテージ誤差(MAPE)といった指標に基づいて天気予報の性能を評価する。
論文 参考訳（メタデータ） (2023-09-05T22:13:35Z) - Exploring the Algorithm-Dependent Generalization of AUPRC Optimization
with List Stability [107.65337427333064]
AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。
本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。
3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
論文 参考訳（メタデータ） (2022-09-27T09:06:37Z) - Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。
我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。
このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
論文 参考訳（メタデータ） (2021-02-23T20:22:56Z) - Unsupervised Real Time Prediction of Faults Using the Support Vector
Machine [1.1852751647387592]
提案手法は,SMOトレーニングアルゴリズムを用いることで,より優れた性能が得られることを示す。
この予測モデルの分類性能は、SMOトレーニングアルゴリズムの有無にかかわらず、SVMよりもかなり優れている。
論文 参考訳（メタデータ） (2020-12-30T04:27:10Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z)
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。