Deep Learning to Directly Predict Compensation Values of Thermally Induced Volumetric Errors
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
The activities of the rotary axes of a five-axis machine tool generate heat causing temperature changes within the machine that contribute to tool center point (TCP) deviations. Real time prediction of these thermally induced volumetric errors (TVEs) at different positions within the workspace may be used for their compensation. A Stacked Long Short Term Memories (SLSTMs) model is proposed to find the relationship between the TVEs for different axis command positions and power consumptions of the rotary axes, machine’s linear and rotary axis positions. In addition, a Stacked Gated Recurrent Units (SGRUs) model is also used to predict some cases, which are the best and the worst predictions of SLSTMs to know the abilities of their predictions. Training data come from a long motion activity experiment lasting 132 h (528 measuring cycles). Adaptive moment with decoupled weight decay (AdamW) optimizer is used to strengthen the models and increase the quality of prediction. Multistep ahead prediction in the testing phase is applied to seven positions not used for training in the long activity sequence and 31 positions in a different short activity sequence of the rotary axes lasting a total of 40 h (160 cycles) to test the ability of the trained model. The testing phase with SLSTMs yields fittings between the predicted values and measured data (without using the measured values as targets) from 69.2% to 98.8%. SGRUs show performance similar to SLSTMs with no clear winner.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle