Case Analysis in AI Practice Courses: A Comparative Study of Tool Wear Prediction Methods
Notice bibliographique
Résumé
Artificial intelligence is anticipated to play a crucial role in shaping the future of education and academic research. Using a mechanical testing course as a case study, this paper illustrates how AI can be effectively integrated into engineering education by examining various AI methodologies through the application of tool wear prediction. In predictive modelling, commonly used intelligent algorithms mainly come from traditional machine learning techniques, such as support vector machines (SVM) and random forests, as well as deep learning methods like long short-term memory (LSTM) and gated recurrent units (GRU). Traditional models generally rely on manual feature extraction, which provides a degree of interpretability but often falls short in capturing the dynamic characteristics of time-series data. This study assesses the performance of several deep learning algorithms in predicting tool wear. The CNN-LSTM hybrid model consistently outperformed other models across all evaluation metrics. Specifically, compared to the GRU model, it reduced RMSE by 42.07% and MAE by 52.06%, while improving R² by 4.43%. When compared to the standalone LSTM model, the CNN-LSTM model achieved a 17.72% reduction in RMSE and a 42.25% decrease in MAE, along with a 2.97% increase in R². These results indicate that the CNN-LSTM architecture successfully combines CNN's proficiency in automatic local feature extraction with LSTM's capacity to model long-term temporal dependencies, thereby providing a highly effective and accurate method for tool wear prediction.
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 | 0,010 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».