Unlocking Dual Utility: 1D-CNN for Milling Tool Health Assessment and Experimental Optimization
Notice bibliographique
Résumé
In a novel application of 1D Convolutional Neural Networks (1D-CNN), this study pioneers a tri-class classification framework for accurately forecasting the Remaining Useful Life (RUL) of milling tools. By harnessing the 1D-CNN’s innate capability to analyze raw time-series data, we eliminate the traditional bottleneck of extensive feature engineering. Our model undergoes rigorous validation using a leave-one-out cross-validation method, catering to the constraints of a limited dataset. When optimized, the model delivers compelling performance metrics: average accuracy, precision, and recall scores stand at 0.90 ± 0.02, 0.85 ± 0.12, and 0.87 ± 0.08, respectively. What sets this work apart is its dual utility: not only does it excel in tool health assessment, but its output also serves as a diagnostic tool for experimental setups. For instance, anomalies detected in the model’s predictions can act as early warnings for potential sensor malfunctions. Additionally, the model’s performance metrics offer invaluable guidance in optimizing experimental parameters, such as choosing the most efficient sampling rate. In summary, this study not only establishes the robustness of 1D-CNNs in assessing milling tool health but also unveils their untapped potential as diagnostic aids for fine-tuning experimental setups.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».