移動する機械コンタクトの磨損を予測する:回帰アルゴリズムと特徴選択技術の比較分析

科学分野:

• 材料科学
• 機械工学
• データサイエンス

背景:

• 正確な磨損予測は,製造,輸送,発電における運用リスクを軽減し,停止時間を最小限に抑え,部品の寿命を延長するために不可欠です.
• ピン・オン・ディスクシステムは,制御された条件下でトライボロジカルな行動と材料の磨損を研究するために広く使用されています.

研究 の 目的:

• ピン・オン・ディスクシステムの磨損量を推定するための機械学習ベースの予測モデルを開発し,評価する.
• 磨きに最も影響するパラメータを特定し,異なる回帰アルゴリズムの性能を比較します.

主な方法:

• 摩擦係数,接触力,浸透深さ,滑り距離,音圧,負荷を含む実験データを使用した.
• 主要な予測パラメータを特定するために機能選択技術 (包装と埋め込み) を採用した.
• 最適なサンプルサイズを決定し,モデルの複雑性をバランスさせ,オーバーフィッティングを防止します.
• 適用および比較された回帰モデル:線形回帰,サポートベクトルマシン (SVM),ランダムフォレスト (RF).
• 平均絶対誤差 (MAE),平均偏差誤差 (MBE),平方根誤差 (RMSE),および決定係数 (R2) を用いてモデルの性能を評価した.

主要な成果:

• 特徴の選択により,着用予測に最も適したパラメータが特定され,モデルの精度が向上しました.
• サンプルサイズを最適化することで,モデルの一般化が改善され,不十分なフィッティングとオーバーフィッティングが軽減されました.
• 比較分析は,着用量推定のための異なる回帰アルゴリズムの異なる予測能力を示しました.
• 開発されたモデルは,定義されたエラーメトリクスで磨き量の定量的な評価を提供した.

結論:

• この研究は,ピン・オン・ディスク・システムにおける精密な磨損量予測のための体系的な機械学習アプローチを提示しています.
• この結果は,耐久分析のパラメータの重要性とアルゴリズムの性能に関する貴重な洞察を提供します.
• この研究は,磨損予測の精度を向上させ,産業の運用コストを削減することを目指す実務家と研究者のための堅固な枠組みを提供します.