論文の概要: Data-driven tool wear prediction in milling, based on a process-integrated single-sensor approach

• arxiv url: http://arxiv.org/abs/2412.19950v1
• Date: Fri, 27 Dec 2024 23:10:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:04:20.214476
• Title: Data-driven tool wear prediction in milling, based on a process-integrated single-sensor approach
• Title（参考訳）: プロセス統合単一センサアプローチに基づくミル加工におけるデータ駆動型工具摩耗予測
• Authors: Eric Hirsch, Christian Friedrich,
• Abstract要約: 本研究では,ツール摩耗予測のためのデータ駆動手法,特にディープラーニングについて検討する。 この研究は、畳み込みニューラルネットワーク(CNN)、長期記憶ネットワーク(LSTM)、サポートベクターマシン(SVM)、決定木など、いくつかの機械学習モデルを評価する。 ConvNeXtモデルには例外的な性能があり、装着するまで操作された4つのミリングツールのデータを用いてツール摩耗を特定する精度は99.1%である。
• 参考スコア（独自算出の注目度）: 1.6574413179773764
• License:
• Abstract: Accurate tool wear prediction is essential for maintaining productivity and minimizing costs in machining. However, the complex nature of the tool wear process poses significant challenges to achieving reliable predictions. This study explores data-driven methods, in particular deep learning, for tool wear prediction. Traditional data-driven approaches often focus on a single process, relying on multi-sensor setups and extensive data generation, which limits generalization to new settings. Moreover, multi-sensor integration is often impractical in industrial environments. To address these limitations, this research investigates the transferability of predictive models using minimal training data, validated across two processes. Furthermore, it uses a simple setup with a single acceleration sensor to establish a low-cost data generation approach that facilitates the generalization of models to other processes via transfer learning. The study evaluates several machine learning models, including convolutional neural networks (CNN), long short-term memory networks (LSTM), support vector machines (SVM) and decision trees, trained on different input formats such as feature vectors and short-time Fourier transform (STFT). The performance of the models is evaluated on different amounts of training data, including scenarios with significantly reduced datasets, providing insight into their effectiveness under constrained data conditions. The results demonstrate the potential of specific models and configurations for effective tool wear prediction, contributing to the development of more adaptable and efficient predictive maintenance strategies in machining. Notably, the ConvNeXt model has an exceptional performance, achieving an 99.1% accuracy in identifying tool wear using data from only four milling tools operated until they are worn.
• Abstract（参考訳）: 加工における生産性の維持とコストの最小化には,正確な工具摩耗予測が不可欠である。 しかし、ツール摩耗プロセスの複雑な性質は、信頼性の高い予測を達成する上で大きな課題となる。 本研究では,ツール摩耗予測のためのデータ駆動手法,特にディープラーニングについて検討する。 従来のデータ駆動型アプローチは、マルチセンサーのセットアップと広範なデータ生成に依存し、一般化を新しい設定に制限する、単一のプロセスに集中することが多い。 さらに、マルチセンサーの統合は産業環境では実用的ではないことが多い。 これらの制約に対処するため,2つのプロセスで検証された最小限のトレーニングデータを用いた予測モデルの伝達可能性について検討した。 さらに、単一加速度センサを用いた簡単なセットアップを使用して、トランスファーラーニングによるモデルと他のプロセスへの一般化を容易にする、低コストのデータ生成アプローチを確立する。 この研究は、畳み込みニューラルネットワーク(CNN)、長期記憶ネットワーク(LSTM)、サポートベクターマシン(SVM)、決定ツリーなど、いくつかの機械学習モデルを評価し、特徴ベクトルや短時間フーリエ変換(STFT)などの異なる入力フォーマットでトレーニングした。 モデルの性能は、データセットを著しく削減したシナリオを含む、さまざまなトレーニングデータに基づいて評価され、制約されたデータ条件下での有効性に関する洞察を提供する。 以上の結果から,効率的な工具摩耗予測のための特定のモデルや構成の可能性が示され,機械加工におけるより適応的で効率的な予測保守戦略の開発に寄与した。 特に、ConvNeXtモデルには例外的な性能があり、装着するまで操作される4つのミリングツールのデータを使用してツール摩耗を特定する精度は99.1%である。

関連論文リスト

• A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
  実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。 データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。 より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T03:00:58Z)
• A Predictive Model Based on Transformer with Statistical Feature Embedding in Manufacturing Sensor Dataset [2.07180164747172]
  本研究では,統計的特徴埋め込みとウィンドウ位置符号化を利用したトランスフォーマーに基づく新しい予測モデルを提案する。 モデルの性能は, 断層検出と仮想気象学の2つの問題で評価され, ベースラインモデルよりも優れた結果を示した。 結果は、様々な製造業におけるモデルの適用性を支持し、プロセス管理と収量を高める可能性を示している。
  論文  参考訳（メタデータ） (2024-07-09T08:59:27Z)
• VIRL: Volume-Informed Representation Learning towards Few-shot Manufacturability Estimation [0.0]
  本研究は,3次元幾何エンコーダの事前学習のためのボリュームインフォームド表現学習手法であるVIRLを紹介する。 VIRLによって事前訓練されたモデルでは,データ制限による一般化性の向上が大幅に向上した。
  論文  参考訳（メタデータ） (2024-06-18T05:30:26Z)
• Data-driven prediction of tool wear using Bayesian-regularized artificial neural networks [8.21266434543609]
  工具摩耗の予測は、製造におけるコストの最小化と製品品質の向上に役立つ。 ベイジアン正規化ニューラルネットワーク(BRANN)を用いて,加工工具の摩耗を正確に予測する新しいデータ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-30T15:22:20Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• 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)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Improving the Performance of Fine-Grain Image Classifiers via Generative Data Augmentation [0.5161531917413706]
  我々は、ロバスト生成アドリアルネットワーク(DAPPER GAN)の熟練した事前学習からデータ拡張を開発する。 DAPPER GANは、トレーニングイメージの新しいビューを自動的に生成するML分析支援ツールである。 本手法をStanford Carsデータセット上で実験的に評価し,車体形状とモデル分類精度の向上を実証した。
  論文  参考訳（メタデータ） (2020-08-12T15:29:11Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• Forecasting Industrial Aging Processes with Machine Learning Methods [0.0]
  我々は、従来のステートレスモデルとより複雑なリカレントニューラルネットワークを比較して、幅広いデータ駆動モデルを評価する。 以上の結果から,リカレントモデルでは,より大きなデータセットでトレーニングした場合,ほぼ完璧な予測が得られた。
  論文  参考訳（メタデータ） (2020-02-05T13:06:44Z)

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。