Online Prediction of Automotive Tempered Glass Quality using Machine Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This study introduce the application of machine learning algorithms for supporting the manufacturing quality control of a complex process as an alternative for the destructive testing methodologies. The choice of this application field was motivated by the lack of a robust engineering technique to assess the production quality in real time, this arise the need of using advanced smart manufacturing solution as AI in order to save the extremely high cost of destructive tests. In concrete, this paper investigates the performance of machine learning techniques including Ridge regression, Linear Regression, Light Gradient Boosting Machine, Lasso Regression and more, for predicting the flat glass tempering quality within the building glass industry. In the first part, we applied the selected machine learning models to a dataset collected manually and made up by the more relevant process parameters of the heating and the quenching process. Evaluating the results of the applied models, based on several performance indicators such as Mean Absolute Error, Mean Squared Error, R Squared, declared that Ridge Regression was the most accurate model. The second part consist of developing a digitalized device connected with the manufacturing process in order to provide predictions in real time. This device operates as an error-proofing system that send a reverse signal to the machine in case the prediction shows a non-compliant quality of the current processed product. This study can be expanded to predict the optimal process parameters to use when the predicted values does not meet the desired quality, and can advantageously replace the trial and error approach that is generally adopted for defining those parameters. The contribution of our work relies on the introduction of a clear methodology (from idea to industrialization) for the design and deployment of an industrial-grad predictive solution within a new field which is the glass manufacturing.
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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle