Data-driven prediction of tool wear using Bayesian-regularized artificial neural networks

要約

工具摩耗の予測は、製造におけるコストを最小限に抑え、製品の品質を向上させるのに役立ちます。
機械学習とディープラーニングを使用した既存のデータ駆動型モデルは、工具摩耗の正確な予測に貢献していますが、多くの場合一般性に欠けており、高精度を得るには大量のトレーニング データが必要です。
この論文では、ベイズ正則人工ニューラル ネットワーク (BRANN) を使用してフライス工具の摩耗を正確に予測する新しいデータ駆動型モデルを提案します。
BRANN は、人工ニューラル ネットワーク (ANN) とベイズ正則化の利点を組み合わせて利点を活用します。これにより、ANN は複雑なパターンを学習し、ベイズ正則化は不確実性を処理して過剰適合を防止し、より一般化されたモデルを実現します。
プロセスパラメータと監視センサー信号の両方を BRANN 入力パラメータとして扱います。
私たちは、NASA Ames フライス加工データセット、2010 PHM データ チャレンジ データセット、NUAA Ideahouse 工具摩耗データセット、および社内で実行された Ti6Al4V エンドミル加工データセットを含む 4 つの異なる実験データセットを特徴とする広範な実験研究を実施しました。
提案された BRANN モデルのパフォーマンスに対する入力特徴、トレーニング データ サイズ、隠れユニット、トレーニング アルゴリズム、伝達関数の影響を検査し、精度と信頼性の点で既存の最先端モデルよりも優れていることを実証します。

要約(オリジナル)

The prediction of tool wear helps minimize costs and enhance product quality in manufacturing. While existing data-driven models using machine learning and deep learning have contributed to the accurate prediction of tool wear, they often lack generality and require substantial training data for high accuracy. In this paper, we propose a new data-driven model that uses Bayesian Regularized Artificial Neural Networks (BRANNs) to precisely predict milling tool wear. BRANNs combine the strengths and leverage the benefits of artificial neural networks (ANNs) and Bayesian regularization, whereby ANNs learn complex patterns and Bayesian regularization handles uncertainty and prevents overfitting, resulting in a more generalized model. We treat both process parameters and monitoring sensor signals as BRANN input parameters. We conducted an extensive experimental study featuring four different experimental data sets, including the NASA Ames milling dataset, the 2010 PHM Data Challenge dataset, the NUAA Ideahouse tool wear dataset, and an in-house performed end-milling of the Ti6Al4V dataset. We inspect the impact of input features, training data size, hidden units, training algorithms, and transfer functions on the performance of the proposed BRANN model and demonstrate that it outperforms existing state-of-the-art models in terms of accuracy and reliability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google