Using Machine Learning to Establish the Relationship between Die CastingParameters and the Casting Quality
Notice bibliographique
Résumé
The die casting process is highly automated and computerized. Nowadays, the machines are able to display dozens of data each cycle of the process with few setting parameters. The daily data remain unexploited in the industry. In this experiment, there are six setting parameters for the machine, such as cylinder pressure, high speed, high-speed switching point, intensification pressure starting position, injection delay, and biscuit thickness. The purpose of this research is to use machine learning to build two models, model 1 establishes the relationship between die casting machine setting parameters and the machine response (displayed) parameters via polynomial regression and the R square is used to evaluate the model, and model 2 is built using support vector machine algorithm, predicts the quality of die castings based on machine response parameters. The two models are then combined, and it allows the foundry men to adjust the machine parameters to improve the quality of die-casting parts. The experimental results of model 1 show that R squared greater or equal to 0.5 means that the setting parameters and the reaction parameters have a certain correlation. After cross-validation of model 2, the model is stable and the accuracy rate can reach 74%, with a small amount of data under the circumstances, it has reached the applicable standard. This research results are based on two data sets provided by diecasters A and B to establish and verify the models. `
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».