Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
So sánh hiệu suất của các mô hình học máy trong dự đoán độ rộng khe cắt trong quá trình cắt bằng laser xung
Tóm tắt
Nghiên cứu này nhằm so sánh hiệu suất của ba mô hình học máy (ML), bao gồm hồi quy vector hỗ trợ (SVR), rừng ngẫu nhiên (RF) và máy học cực đại (ELM) trong việc dự đoán độ rộng khe cắt của quá trình cắt laser xung. Các đặc trưng được chọn từ biến đổi sóng mẹ tối ưu của tín hiệu rung từ việc chọn sóng mẹ tối ưu đã được sử dụng làm đầu vào cho các mô hình ML. Độ rộng khe cắt trung bình của một đường cắt thẳng trên tấm thép silicon dày 0.1 mm được chọn làm đầu ra. Việc so sánh hiệu suất của ba mô hình ML được chia thành hai giai đoạn. Ở giai đoạn đầu tiên, tác động của việc thay đổi kích thước dữ liệu xác thực và phân tích tính ngẫu nhiên của dữ liệu đã được nghiên cứu bằng cách sử dụng dữ liệu huấn luyện. Ở giai đoạn thứ hai, độ chính xác dự đoán của các mô hình học máy này trên dữ liệu kiểm tra đã được so sánh. Kết quả từ giai đoạn đầu tiên cho thấy mô hình RF đã nổi bật như là mô hình tốt nhất trong phân tích kích thước dữ liệu xác thực và trạng thái ngẫu nhiên với điểm sai số trung bình phần trăm tuyệt đối (MAPE) lần lượt là 5.32% và 7.61%. So với các mô hình SVR và ELM, mô hình RF có độ chênh lệch thấp nhất giữa các điểm MAPE, trong giai đoạn phân tích thứ hai là (2.83%) cho dữ liệu huấn luyện và (1.69%) cho dữ liệu kiểm tra. Điều này cho thấy rằng các đặc trưng rung đã chọn từ việc chọn sóng mẹ tối ưu kết hợp với mô hình RF có hiệu quả trong việc dự đoán độ rộng khe cắt thẳng của chi tiết công việc qua cắt laser xung.
Từ khóa
#học máy; hồi quy vector hỗ trợ; rừng ngẫu nhiên; máy học cực đại; khe cắt; cắt laser xungTài liệu tham khảo
Nguyen TH, Lin CK, Tung PC, Nguyen-Van C, Ho JR (2020) An extreme learning machine predicting kerf waviness and heat affected zone in pulsed laser cutting of thin non-oriented silicon steel. Opt Lasers Eng 134:1–10. https://doi.org/10.1016/j.optlaseng.2020.106244
Emura M, Landgraf FJG, Ross W, Barreta JR (2003) The influence of cutting technique on the magnetic properties of electrical steels. J Magn Magn 254–255:358–360. https://doi.org/10.1016/S0304-8853(02)00856-9
Pandey AK, Dubey AK (2013) Modeling and optimization of kerf taper and surface roughness in laser cutting of titanium alloy sheet. J Mech Sci Technol 27(7):2115–2124. https://doi.org/10.1007/s12206-013-0527-7
Ghany KA, Newishy M (2005) Cutting of 1.2 mm thick austenitic stainless steel sheet using pulsed and CW Nd: YAG laser. J Mater Process Technol 168:438–447. https://doi.org/10.1016/j.jmatprotec.2005.02.251
Nguyen DT, Ho JR, Tung PC, Lin CK (2021) An improved real-time temperature control for pulsed laser cutting of non-oriented electrical steel. Opt Laser Technol 136:1–12. https://doi.org/10.1016/j.optlastec.2020.106783
Tsai MJ, Li CH, Chen CC (2008) Optimal laser-cutting parameters for QFN packages by utilizing artificial neural networks and genetic algorithm. J Mater Process Technol 208:270–283. https://doi.org/10.1016/j.jmatprotec.2007.12.138
Rao S, Sheti A, Das AK, Mandal N, Kiran P, Gosh R, Dixit AR, Mandal A (2017) Fiber laser cutting of CFRP composites and process optimization through response surface methodology. Mater Manuf Processes 32(14):1612–1621. https://doi.org/10.1080/10426914.2017.1279296
Nguyen TH, Lin CK, Tung PC, Nguyen-Van C, Ho JR (2021) Artificial intelligence-based modeling and optimization of heat-affected zone and magnetic property in pulsed laser cutting of thin nonoriented silicon steel. Int J Adv Manuf Technol 113:3225–3240. https://doi.org/10.1007/s00170-021-06847-4
Wu TY, Lei KW (2019) Prediction of surface roughness in milling process using vibration signal analysis and artificial neural network. Int J Adv Manuf Technol 102:305–314. https://doi.org/10.1007/s00170-018-3176-2
Lin YC, Wu KD, Shih WC, Hsu PK, Hung JP (2020) Prediction of surface roughness based on cutting parameters and machining vibration in end milling using regression method and artificial neural network. App Sci 10(11):3941. https://doi.org/10.3390/app10113941
Upadhyay V, Jain PK, Mehta NK (2013) In-process prediction of surface roughness in turning of Ti-6Al-4V alloy using cutting parameters and vibration signals. Measurement 46:154–160. https://doi.org/10.1016/j.measurement.2012.06.002
Wu D, Jennings C, Terpenny J, Gao RX, Kumara S (2017) A comparative study on machine learning algorithms for smart manufacturing: tool wear prediction using random forest. ASME J Manuf Sci Eng 139(7):071018. https://doi.org/10.1115/1.4036350
Abu-Mahfouz I, El Ariss O, Esfakur Rahman AHM, Banerjee A (2017) Surface roughness prediction as a classification problem using support vector machine. Int J Adv Manuf Technol 92:803–815. https://doi.org/10.1007/s00170-017-0165-9
Yongbin Y, Bagherzadeh SA, Azimy H, Akbari M, Karimipour A (2020) Comparison of the artificial neural network model prediction and the experimental results for cutting region temperature and surface roughness in laser cutting of AL6061T6 alloy. Infrared Phys Technol 108:1–8. https://doi.org/10.1016/j.infrared.2020.103364
Madić M, Radovanović M (2012) Comparative modeling of CO2 laser cutting using multiple regression analysis and artificial neural network. Int J Phys Sci 7(16):2422–2430
Anicic O, Jović S, Skrijelj H, Nedić B (2017) Prediction of laser cutting heat affected zone by extreme learning machine. Opt Lasers Eng 88:1–4. https://doi.org/10.1016/j.optlaseng.2016.07.005
Fang N, Pai PS (2018) A new computational intelligence approach to predicting the machined surface roughness in metal machining. Int J of Mach Learn Comput 8:524–529
Kulkarni PG, Sahasrabudhe AD (2017) Investigations on mother wavelet selection for health assessment of lathe bearings. Int J Adv Manuf Technol 90:3317–3333. https://doi.org/10.1007/s00170-016-9664-3
Rodrigues AP, D’Mello G, Pai PS (2016) Selection of mother wavelet for wavelet analysis of vibration signals in machining. J Mech Eng Autom 6(5A):81–85
Ruqiang Y, Robert XG (2009) Base wavelet selection for bearing vibration signal analysis. Int J of Wavelets Multiresolution Inf Process 7(4):411–426. https://doi.org/10.1142/S0219691309002994
Kusuma AI, Huang YM (2022) Product quality prediction using vibration signals in pulsed laser cutting, Presented at The 28th International Congress on Sound and Vibration (ICSV28), Singapore
Kusuma AI, Huang YM (2022) Product quality prediction in pulsed laser cutting of silicon steel sheet using vibration signals and deep neural network. J Intell Manuf. https://doi.org/10.1007/s10845-021-01881-1
Kwak JS (2006) Application of wavelet transform technique to detect tool failure in turning operations. Int J Adv Manuf Technol 28:1078–1083. https://doi.org/10.1007/s00170-004-2476-x
Liu H (2011) Feature Selection. In: Sammut C., Webb G.I. (eds) Encyclopedia of Machine Learning. Springer, Boston, MA. https://doi.org/10.1007/978-0-387-30164-8_306
Lee SH, Kim KY, Shin Y (2020) Effective feature selection method for deep learning-based automatic modulation classification scheme using higher-order statistics. App Sci 10:1–14. https://doi.org/10.3390/app10020588
Elgeldawi E, Sayed A, Galal AR, Zaki AM (2021) Hyperparameter tuning for machine learning algorithms used for arabic sentiment analysis. Informatics 8:79. https://doi.org/10.3390/informatics8040079
Pedregosa F et al (2011) Scikit-learn: machine learning in Python. J Mach Learn Res 12(85):2825–2830
Drucker H, Burges CJC, Kaufman L, Smola A, Vapnik V (1997) Support vector regression machines. Adv Neural Inf Process Syst 9:155–161
Zhi-qiang J, Hang-guang F, Ling-jun L (2005) Support vector machine for mechanical faults classification. J Zhejiang Univ-Sci A 6:433–439. https://doi.org/10.1631/jzus.2005.A0433
Sun J, Rahman M, Wong YS, Hong GS (2004) Multiclassification of tool wear with support vector machine by manufacturing loss consideration. Int J Mach Tools Manuf 44:1179–1187. https://doi.org/10.1016/j.ijmachtools.2004.04.003
Çaydaş U, Ekici S (2012) Support vector machines models for surface roughness prediction in CNC turning of AISI 304 austenitic stainless steel. J Intell Manuf 23:639–650. https://doi.org/10.1007/s10845-010-0415-2
Seyedzadeh S, Rahimian FP, Glesk I, Roper M (2018) Machine learning for estimation of building energy consumption and performance: a review. Vis in Eng 6(5):1–20. https://doi.org/10.1186/s40327-018-0064-7
Cao LJ, Tay FEH (2003) Support vector machine with adaptive parameters in financial time series forecasting. IEEE Trans Neural Netw 14(6):1506–1518. https://doi.org/10.1109/TNN.2003.820556
Jurkovic Z, Cukor G, Brezocnik M, Brajkovic T (2016) A comparison of machine learning methods for cutting parameters prediction in high speed turning process. J Intell Manuf 29:1683–1693. https://doi.org/10.1007/s10845-016-1206-1
Breiman L (2001) Random forests. Mach Learn 45:5–32. https://doi.org/10.1023/A:1010933404324
Yang BS, Di X, Han T (2008) Random forests classifier for machine fault diagnosis. J Mech Sci Technol 22:1716–1725. https://doi.org/10.1007/s12206-008-0603-6
Huang GB, Zhu QY, Siew CK (2006) Extreme learning machine: theory and applications. Neurocomputing 70(1–3):489–501. https://doi.org/10.1016/j.neucom.2005.12.126
Li DZ, Zheng X, Xie QW, Jin QB (2018) A sequential feature extraction method based on discrete wavelet transform, phase space reconstruction, and singular value decomposition and an improved extreme learning machine for rolling bearing fault diagnosis. Proc Inst Mech Eng E: J Process Mech Eng 232(6):635–649. https://doi.org/10.1177/0954408917733130
Laddada S, Si-Chaib MO, Benkedjouh T, Drai R (2020) Tool wear condition monitoring based on wavelet transform and improved extreme learning machine. Proc Inst Mech Eng C: J Mech Eng Sci 234(5):1057–1068. https://doi.org/10.1177/0954406219888544