Shape error prediction in 5-axis machining using graph neural networks

要約

この論文では、グラフ ニューラル ネットワークを使用して 5 軸加工における形状誤差を予測する革新的な方法を紹介します。
グラフ構造は、ワーク表面の点を表すノードと隣接関係を表すエッジで定義されます。
データセットには、材料除去シミュレーションからのデータ、プロセス データ、および加工後の品質情報が含まれます。
実験結果は、提示されたアプローチが調査されたワークピースの形状の形状誤差予測を一般化できることを示しています。
さらに、このアプローチは、ワークピース内の空間的および時間的接続をモデル化することにより、サポート ベクター マシンなどの非グラフィカルな方法と比較して少数のラベルを処理します。

要約(オリジナル)

This paper presents an innovative method for predicting shape errors in 5-axis machining using graph neural networks. The graph structure is defined with nodes representing workpiece surface points and edges denoting the neighboring relationships. The dataset encompasses data from a material removal simulation, process data, and post-machining quality information. Experimental results show that the presented approach can generalize the shape error prediction for the investigated workpiece geometry. Moreover, by modelling spatial and temporal connections within the workpiece, the approach handles a low number of labels compared to non-graphical methods such as Support Vector Machines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google