确定用通用机器学习框架在电放电加工中的材料移除和电极磨损
Jorge M Cortés-Mendoza1, Agnieszka Żyra2, Andrei Tchernykh3,4
1Cloud Competency Centre, National College of Ireland, Mayor Street, IFSC, D01 K6W2 Dublin, Ireland.
机器学习模型,特别是随机森林和人工神经网络,可以准确预测电放电加工 (EDM) 的性能. 这些模型显著降低了实验成本,并提高了材料移除率 (MRR) 和电极磨损率 (EWR) 的预测准确度.
科学领域:
- 制造业 工程 制造工程
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 电放电加工 (EDM) 对于从硬材料制造复杂的零件至关重要,但参数优化具有挑战性和成本.
- 电磁处理的随机性质和昂贵的实验验证限制了理解过程动态.
- 机器学习 (ML) 为EDM中的预测建模提供了一个具有成本效益的解决方案.
研究的目的:
- 开发一个可通用的ML框架来分析EDM输入-输出相关性.
- 调查冷电极处理对EDM性能的影响.
- 为了比较各种ML模型对EDM参数的预测能力.
主要方法:
- 实施了四个ML模型,包括随机森林 (RF) 和人工神经网络 (ANN).
- 使用的独立变量:电极材料,冷条件 (11级),脉冲电流和脉冲持续时间.
- 评估的性能指标:材料去除率 (MRR) 和电极磨损率 (EWR).
主要成果:
- 与其他模型相比,RF和ANN表现出优越的预测性能.
- ANN将EWR的R2从0.973提高到了0.9956;RF将MRR的R2从0.980提高到了0.9943.
- 实现了高预测准确度 (R2:0.99360.9979) 并显著减少了预测错误 (例如,ANN将EWR MSE从5.79降低到0.68).
结论:
- 拟议的ML框架有效地预测高精度的EDM性能.
- 通过ML分析的冷电极处理,为优化EDM过程提供了洞察力.
- 射频和ANN模型提供了一种可靠的,不那么实验性的方法来理解EDM动态.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
相关概念视频
Machines
A free-body diagram of the...
Machines: Problem Solving II
Machines: Problem Solving I
The toggle clamp system is a machine structure consisting of movable, pin-connected multi-force members that form a stabilized system to transmit forces. The...
Mechanical Efficiency of Real Machines
However, in reality, no machine can be truly ideal, and all of them experience some...
Sequence Networks of Rotating Machines
Zero-sequence current induces a voltage drop across the generator's neutral impedance and other...
Simplified Synchronous Machine Model
In this model, each generator is connected to a...
