机器学习的应用,用于根据传感器信号在加工过程中预测表面粗度
Katarzyna Antosz1, Edward Kozłowski2, Jarosław Sęp1
1Faculty of Mechanical Engineering and Aeronautics, Rzeszow University of Technology, 35-959 Rzeszow, Poland.
Materials (Basel, Switzerland)
|January 11, 2025
概括
机器学习使用传感器数据准确预测削过程中的表面粗度. 弹性网和神经网络实现了高预测精度 (R2为0.94和0.95),优化了制造质量.
科学领域:
- 制造业 工程 制造工程
- 数据科学数据科学数据科学
- 材料科学 材料科学 材料科学
背景情况:
- 表面粗度是削操作中的关键质量指标.
- 准确预测表面粗度对于流程优化和成本降低至关重要.
- 传统的表面粗度评估方法可能是耗时和劳动密集的.
研究的目的:
- 研究机器学习 (ML) 的应用,用于预测削过程中的表面粗度.
- 用传感器生成的数据评估弹性网和神经网络模型的性能.
- 展示数据驱动方法在提高制造质量和效率方面的潜力.
主要方法:
- 用10kHz的电流变压器,麦克风和位移传感器捕获了削过程信号.
- 萨维茨基-戈莱波器用于信号预处理,以减少噪声和隔离加工事件.
- 开发了两种ML模型,弹性网和神经网络 (具有ReLU激活),用于表面粗度预测.
主要成果:
- 弹性网和神经网络都显示出对表面粗度的高预测精度.
- 弹性网实现了0.94的确定系数 (R2),有效地处理多对线性和缩小维度.
- 神经网络获得了0.95的R2,展示了它们捕获数据中复杂,非线性模式的能力.
结论:
- 机器学习方法显示出在削过程中准确地预测表面粗度的巨大潜力.
- 弹性网和神经网络为优化制造流程提供了强大的数据驱动解决方案.
- 将ML与传感器数据集成为改善表面质量和运营效率提供了一条途径.
更多相关视频
11:47Characterization of Surface Modifications by White Light Interferometry: Applications in Ion Sputtering, Laser Ablation, and Tribology Experiments
Published on: February 27, 2013
15.6K
05:30Roughness Impact of Piezoelectric Dental Scaler on Two Distinct Flowable Composite Filling Materials
Published on: January 10, 2025
540
