Prediction of diameter error in one-setup machining test by using machinelearning algorithms
Notice bibliographique
Résumé
Abstract: To efficiently collect data for training machine learning (ML) algorithms in predicting diameter error for process planning optimization, a one-setup milling test with 27 cylinders on a workpiece implements a full factorial experiment of three factors, each with three levels. The factors are cutting parameters: width of cut, cutting speed, and feedrate. Results show that, among those three factors, cutting speed is the main contributor with the standardized effect of up to 57 to the diameter error, followed by the feedrate (standardized effect of 43). Three ML algorithms are tested to predict the diameter error: Polynomial, XGboost?eXtreme Gradient Boosting) and AdaBoost (Adaptive Boosting). Besides three cutting parameters, positions of each cylinder and the desired initial diameter are also considered as features. Taking Polynomial as a base line, and using a 5-fold cross-validation method, the mean and standard deviation of R-squared of each ML algorithm are compared. It shows that both regressors perform better than the base line (average R-squared=0.7522), the average R-squared of XGboost (0.9126) is slightly higher than the one of AdaBoost, which is 0.9015. Moreover, the standard deviation of R-squared for XGboost(0.0483) is smaller than the one of AdaBoost (0.0569), which shows a more robust performance for XGboost. By applying AdaBoost or XGBoost, more than 90% of the diameter error is explained by the six inputs (positions of each cylinder in x and y on the test workpiece, three cutting parameters and the desired initial diameter).
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 | 0,000 | 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 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 ».