MétaCan
Menu
Retour à la cohorte
Enregistrement W2906084246 · doi:10.25103/jestr.115.19

Smoothing and Reconstruction Strategy for Part Repair Using a Laser Displacement Sensor

2018· article· en· W2906084246 sur OpenAlexaff
Zhenhui Shen, Shuanqiang Yang, Jianxiong Chen, Jun Ma

Notice bibliographique

RevueJournal of Engineering Science and Technology Review · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueIndustrial Vision Systems and Defect Detection
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésSmoothnessSmoothingInterpolation (computer graphics)Curve fittingDisplacement (psychology)Measure (data warehouse)Observational errorComputer scienceMathematicsAlgorithmArtificial intelligenceComputer visionStatisticsData miningMathematical analysisMotion (physics)

Résumé

récupéré en direct d'OpenAlex

The reconstruction of the profile curve of damaged parts in the absence of an original technical drawing is an important process of part repair.Part damages are complicated and changeable.To reduce the material removal rate during repair and maintain a smooth and flawless profile curve after being repaired, a smoothing and reconstruction strategy using a laser displacement sensor to measure the profile curve was proposed in this study.This strategy established an adaptive measurement mechanism by building an automatic measurement motion platform.A staged repair and smoothing strategy of the profile curve measurement data was constructed on the basis of the locally weighted scatterplot smooth.A calculation model of a part repair processing curve was built by using the Akima interpolation.Moreover, a case study was conducted to verify the reconstruction accuracy of the strategy and smoothness of the reconstruction curve.Results demonstrate that the automatic measurement motion platform and adaptive measurement mechanism can realize an adaptive measurement of different profile structural shapes.The staged repair and smoothing strategy can repair the measurement error of profile curve measurement data, profile defects, and other abnormal data while maintaining the smoothness of the profile curve.After repair, the variation range in the measurement data error at different points of the profile curve decrease from (-1.4913, +0.0351) to (-0.3511, +0.3715).Akima interpolation can not only increase the maximum error of the processing curve but also decrease the material removal rate effectively and protect the smoothness of the profile curve.This study provides important guidance to increase the part repair efficiency and accuracy and realize the automatization of part repair.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,030
Tête enseignante GPT0,281
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Engineering Science and Technology ReviewMême sujetIndustrial Vision Systems and Defect DetectionTravaux en français237 207