Fugu-MT 論文翻訳(概要): Efficient Milling Quality Prediction with Explainable Machine Learning

論文の概要: Efficient Milling Quality Prediction with Explainable Machine Learning

arxiv url: http://arxiv.org/abs/2409.10203v1
Date: Mon, 16 Sep 2024 11:52:17 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 15:40:35.105221
Title: Efficient Milling Quality Prediction with Explainable Machine Learning
Title（参考訳）: 説明可能な機械学習による効率的なミル品質予測
Authors: Dennis Gross, Helge Spieker, Arnaud Gotlieb, Ricardo Knoblauch, Mohamed Elmansori,
Abstract要約: 本稿では,ミリングの表面粗さを予測するための機械学習(ML)手法を提案する。主な貢献は、さまざまな粗さ値を正確に予測し、冗長なセンサーを識別するMLモデルの開発である。
参考スコア（独自算出の注目度）: 9.623578875486183
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents an explainable machine learning (ML) approach for predicting surface roughness in milling. Utilizing a dataset from milling aluminum alloy 2017A, the study employs random forest regression models and feature importance techniques. The key contributions include developing ML models that accurately predict various roughness values and identifying redundant sensors, particularly those for measuring normal cutting force. Our experiments show that removing certain sensors can reduce costs without sacrificing predictive accuracy, highlighting the potential of explainable machine learning to improve cost-effectiveness in machining.
Abstract（参考訳）: 本稿では,ミリングの表面粗さを予測するための機械学習(ML)手法を提案する。この研究では、ミリング用アルミニウム合金2017Aのデータセットを用いて、ランダムな森林回帰モデルと特徴的重要性技術を用いている。主な貢献は、様々な粗さの値を正確に予測するMLモデルの開発と、特に正常な切断力を測定するための冗長なセンサーの識別である。実験の結果,特定のセンサを除去することで,予測精度を犠牲にすることなくコストを削減できることが判明した。

関連論文リスト

Improving the Finite Sample Performance of Double/Debiased Machine Learning with Propensity Score Calibration [0.0]
ダブル/デバイアスド機械学習(DML)は、ニュアンス関数の予測に依存するダブルロススコア関数を使用する。ダブルロバストスコア関数に依存する推定器は、確率スコア予測における誤差に非常に敏感である。本稿では,DMLフレームワーク内での確率校正手法について検討する。
論文参考訳（メタデータ） (2024-09-07T17:44:01Z)
Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
論文参考訳（メタデータ） (2024-03-15T12:47:45Z)
Sharing Information Between Machine Tools to Improve Surface Finish Forecasting [0.0]
筆者らは旋回加工過程における表面粗さの測定を予測するためのベイズ階層モデルを提案する。階層モデルは、複数の独立ベイズ線形回帰モデルと比較され、加工環境における部分プールの利点を示す。
論文参考訳（メタデータ） (2023-10-09T15:44:35Z)
Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文参考訳（メタデータ） (2023-06-05T04:34:54Z)
Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文参考訳（メタデータ） (2023-04-28T10:27:38Z)
Soft Sensing Regression Model: from Sensor to Wafer Metrology Forecasting [2.8992789044888436]
本研究は,入射検査測定の予測にセンサデータを用いるソフトセンシング回帰の課題に焦点を当てた。我々はLSTMベースの回帰器を提案し、モデルトレーニングのための2つの損失関数を設計した。実験により, 複雑な製造工程における各種検査の精度と早期予測が得られた。
論文参考訳（メタデータ） (2023-01-21T16:54:05Z)
Machine Learning to Estimate Gross Loss of Jewelry for Wax Patterns [3.123682649279259]
総損失は製造前に推定され、複数の同一の宝石を製造するために鋳造されるパターンのワックス重量を計算する。筆者らは, 宝石業界で機械学習を用いて, この重要なGross Lossを推定する方法を発見した。
論文参考訳（メタデータ） (2023-01-07T15:09:51Z)
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)
Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文参考訳（メタデータ） (2020-07-17T01:52:34Z)
Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文参考訳（メタデータ） (2020-07-07T10:00:32Z)
Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。