論文の概要: Research on Milling Machine Predictive Maintenance Based on Machine Learning and SHAP Analysis in Intelligent Manufacturing Environment

• arxiv url: http://arxiv.org/abs/2512.01205v1
• Date: Mon, 01 Dec 2025 02:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.645221
• Title: Research on Milling Machine Predictive Maintenance Based on Machine Learning and SHAP Analysis in Intelligent Manufacturing Environment
• Title（参考訳）: インテリジェント製造環境における機械学習とSHAP解析に基づく加工機械の予測保守に関する研究
• Authors: Wen Zhao, Jiawen Ding, Xueting Huang, Yibo Zhang,
• Abstract要約: 本稿では,人工知能技術を組み合わせた完全予測保守実験プロセスを提案する。 XGBoostやランダムフォレストといった統合学習手法は,8つの機械学習モデルの性能を比較し,解析することにより,機械故障予測タスクにおいて良好に動作することがわかった。
• 参考スコア（独自算出の注目度）: 15.119897347699457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the context of intelligent manufacturing, this paper conducts a series of experimental studies on the predictive maintenance of industrial milling machine equipment based on the AI4I 2020 dataset. This paper proposes a complete predictive maintenance experimental process combining artificial intelligence technology, including six main links: data preprocessing, model training, model evaluation, model selection, SHAP analysis, and result visualization. By comparing and analyzing the performance of eight machine learning models, it is found that integrated learning methods such as XGBoost and random forest perform well in milling machine fault prediction tasks. In addition, with the help of SHAP analysis technology, the influence mechanism of different features on equipment failure is deeply revealed, among which processing temperature, torque and speed are the key factors affecting failure. This study combines artificial intelligence and manufacturing technology, provides a methodological reference for predictive maintenance practice in an intelligent manufacturing environment, and has practical significance for promoting the digital transformation of the manufacturing industry, improving production efficiency and reducing maintenance costs.
• Abstract（参考訳）: 本稿では,AI4I 2020データセットに基づく産業機械設備の予測保守に関する一連の実験的研究を行う。 本稿では、データ前処理、モデルトレーニング、モデル評価、モデル選択、SHAP分析、結果視覚化の6つの主要なリンクを含む、人工知能技術を組み合わせた完全な予測保守実験プロセスを提案する。 XGBoostやランダムフォレストといった統合学習手法は,8つの機械学習モデルの性能を比較し,解析することにより,機械故障予測タスクにおいて良好に動作することがわかった。 また、SHAP解析技術の助けを借りて、機器故障に異なる特徴が与える影響機構を深く明らかにし、その中でも、故障に影響を及ぼす主な要因は処理温度、トルク、速度である。 本研究は、人工知能と製造技術を組み合わせて、インテリジェントな製造環境における予測保守実践の方法論的参照を提供し、製造産業のデジタルトランスフォーメーションを促進し、生産効率を向上し、メンテナンスコストを低減させる実践的意義を有する。

関連論文リスト

• Improving Industrial Injection Molding Processes with Explainable AI for Quality Classification [0.0]
  射出成形品の品質分類に及ぼすXAI技術を用いた機能低下の影響について検討した。 この結果から,高分類性能を維持しつつ,特徴量の削減により一般化が向上することが示唆された。 このアプローチは、AIによる品質管理、特にセンサー能力に制限のある産業環境での実現可能性を高める。
  論文  参考訳（メタデータ） (2025-11-11T11:07:21Z)
• IoT and Predictive Maintenance in Industrial Engineering: A Data-Driven Approach [0.0]
  第4次産業革命は、モノのインターネットとデータ駆動方式の応用が従来の保守に革命をもたらしている、スマート製造の新しい時代をもたらした。 IoTと機械学習アルゴリズムのリアルタイムデータによって、予測メンテナンスにより、産業システムは障害を予測し、マシンの寿命を最適化できる。
  論文  参考訳（メタデータ） (2025-11-07T01:55:16Z)
• Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
  フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。 本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
  論文  参考訳（メタデータ） (2025-06-24T23:32:54Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• 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)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Machine Learning Approaches in Agile Manufacturing with Recycled Materials for Sustainability [2.132096006921048]
  本研究は, リサイクル・再生材料を用いたアジャイル製造における意思決定支援を通じて, 材料科学における環境持続可能性について論じる。 本稿では,機械学習モデルを用いて予測分析を行い,製造における意思決定支援を支援することによって,AIにおけるデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2023-03-15T00:39:31Z)
• AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
  本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。 本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-29T14:57:53Z)
• 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)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。