Machine learning models for predicting volumetric errors based on scale and master balls artefact probing data
Notice bibliographique
Résumé
The volumetric accuracy of machine tools is important to both machine tool manufacturers and users. Predicting volumetric errors (VEs) is a pre-requisite for their compensation yielding increased dimensional quality of machined parts. However, predicting VEs in five-axis machine tools is challenging due to the complexity of error sources and their associated physics-based model. Machine learning (ML) is used to predict VEs under no load and stable thermal conditions. Data is acquired using a scale and master ball artefact (SAMBA) and on-machine touch probing. A general process for determining the minimum number of balls required to generate data to satisfactorily train an ML model is proposed. The VEs prediction is verified using synthetic data for inter-axis and some intra-axis geometric errors, and then validated using only experimental data. Different datasets based on decreasing number of balls are tested to train either a Neural Networks (NN) or an eXtreme Gradient Boosting (XGBoost) algorithm to compare their performances. The results show that, both NN and XGBoost are effective to predict VEs of a five-axis machine tool with wCBXfZY(S)t topology regardless of the geometric error parameter values. By using only experimental data of twenty balls to train the models, XGBoost outperforms NN in all four error metrics and processing time. A time efficient scheme was tested whereby only two master balls plus one scale bar dataset and an additional master ball (when only the spindle rotates) were used for training NN .
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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 ».