論文の概要: Data-Driven Temperature Modelling of Machine Tools by Neural Networks: A Benchmark

• arxiv url: http://arxiv.org/abs/2510.03261v1
• Date: Fri, 26 Sep 2025 15:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-12 15:03:05.816236
• Title: Data-Driven Temperature Modelling of Machine Tools by Neural Networks: A Benchmark
• Title（参考訳）: ニューラルネットワークによるマシンツールのデータ駆動温度モデリング:ベンチマーク
• Authors: C. Coelho, M. Hohmann, D. Fernández, L. Penter, S. Ihlenfeldt, O. Niggemann,
• Abstract要約: 我々は,NNが機械工具内の高忠実度温度と熱流束場を予測するために訓練される新しいパラダイムを導入する。 提案したフレームワークは、モジュール式でスワップ可能な下流コンポーネントを使用して、幅広いエラータイプの計算と修正を可能にする。
• 参考スコア（独自算出の注目度）: 2.07811670193148
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Thermal errors in machine tools significantly impact machining precision and productivity. Traditional thermal error correction/compensation methods rely on measured temperature-deformation fields or on transfer functions. Most existing data-driven compensation strategies employ neural networks (NNs) to directly predict thermal errors or specific compensation values. While effective, these approaches are tightly bound to particular error types, spatial locations, or machine configurations, limiting their generality and adaptability. In this work, we introduce a novel paradigm in which NNs are trained to predict high-fidelity temperature and heat flux fields within the machine tool. The proposed framework enables subsequent computation and correction of a wide range of error types using modular, swappable downstream components. The NN is trained using data obtained with the finite element method under varying initial conditions and incorporates a correlation-based selection strategy that identifies the most informative measurement points, minimising hardware requirements during inference. We further benchmark state-of-the-art time-series NN architectures, namely Recurrent NN, Gated Recurrent Unit, Long-Short Term Memory (LSTM), Bidirectional LSTM, Transformer, and Temporal Convolutional Network, by training both specialised models, tailored for specific initial conditions, and general models, capable of extrapolating to unseen scenarios. The results show accurate and low-cost prediction of temperature and heat flux fields, laying the basis for enabling flexible and generalisable thermal error correction in machine tool environments.
• Abstract（参考訳）: 機械工具の熱的誤差は加工精度と生産性に大きな影響を及ぼす。 従来の熱誤差補正/補償法は、測定された温度変化場や伝達関数に依存する。 既存のデータ駆動型補償戦略のほとんどは、ニューラルネットワーク(NN)を使用して、熱エラーや特定の補償値を直接予測している。 有効ではあるが、これらのアプローチは特定のエラータイプ、空間的位置、あるいはマシン構成に強く結びついており、その一般化と適応性を制限する。 本研究では,NNに高忠実度温度と熱流束場を予測するための新しいパラダイムを提案する。 提案したフレームワークは、モジュール式でスワップ可能な下流コンポーネントを使用して、幅広いエラータイプの計算と修正を可能にする。 NNは、初期条件の異なる有限要素法を用いて得られたデータを用いて訓練し、最も情報性の高い測定点を識別する相関ベースの選択戦略を取り入れ、推論時のハードウェア要求を最小限にする。 さらに、特定の初期条件に合わせて調整された特別モデルと一般的なモデルの両方をトレーニングすることで、Recurrent NN、Gated Recurrent Unit、Long-Short Term Memory (LSTM)、Bidirectional LSTM、Transformer、Temporal Convolutional Networkをベンチマークする。 その結果, 温度および熱流束場の高精度かつ低コストな予測が可能となり, 機械工具環境におけるフレキシブルで汎用的な熱誤差補正が可能となった。

関連論文リスト

• AMBER: Adaptive Mesh Generation by Iterative Mesh Resolution Prediction [48.72179728638418]
  本稿では,メッシュ適応のための教師あり学習手法であるAMBER(Adaptive Meshing By Expert Reconstruction)を提案する。 AMBERは、サイズフィールドを反復的に予測し、この予測を使用して、アウト・オブ・ザ・ボックスメッシュジェネレータを使用して、新しい中間メッシュを生成する。 AMBERを2次元および3次元の幾何学、古典物理学問題を含むデータセット、機械部品、人間の専門家メッシュを用いた実世界の産業デザインで評価する。
  論文  参考訳（メタデータ） (2025-05-29T17:10:44Z)
• Gridded Transformer Neural Processes for Large Unstructured Spatio-Temporal Data [47.14384085714576]
  本稿では,非構造化観測を行うための格子状擬似トークンPと,効率的な注意機構を利用する格子状擬似トークンを含むプロセッサを紹介する。 提案手法は,大規模データを含む様々な合成および実世界の回帰タスクにおいて,強いベースラインを一貫して上回る。 実生活実験は気象データに基づいて行われ、気象モデルパイプラインで大規模に適用した場合の性能と計算上の利点をもたらすアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2024-10-09T10:00:56Z)
• Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
  Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。 我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
  論文  参考訳（メタデータ） (2024-06-20T10:01:22Z)
• A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains [33.7054351451505]
  偏微分方程式(PDE)によって支配される力学を予測できる新しい有限要素に基づく物理演算子学習フレームワークを提案する。 提案した演算子学習フレームワークは、現在の時間ステップで温度場を入力として、次の時間ステップで温度場を予測する。 ネットワークは、FEM溶液と比較して、任意の初期温度場の時間的変化を高精度に予測することに成功した。
  論文  参考訳（メタデータ） (2024-05-21T02:41:40Z)
• A physics and data co-driven surrogate modeling approach for temperature field prediction on irregular geometric domain [12.264200001067797]
  本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。 数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-03-15T08:43:24Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Parameterized Temperature Scaling for Boosting the Expressive Power in Post-Hoc Uncertainty Calibration [57.568461777747515]
  我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。 最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。 当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2021-02-24T10:18:30Z)
• Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning [0.0]
  自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。 過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。 いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
  論文  参考訳（メタデータ） (2020-01-17T11:41:02Z)

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。