XGBoost-Based Digital Twin Model for Predicting Trajectory Errors in a Hexapod Coordinated Machining System Using Positioning Accuracy and Vibration Data
Notice bibliographique
Résumé
Dynamic errors in robotic machining can degrade part quality, particularly in flexible platforms that are susceptible to both geometric and inertial disturbances. This work introduces a data-driven digital twin for pointwise prediction of circular trajectory errors in a hexapod-based machining cell, using a compact sensing configuration that combines ballbar measurements with tri-axial vibration signals. Deviations measured by ballbar, acceleration data, and CMM-measured profiles are synchronized in the angular domain via a unified pipeline for denoising, resampling, and phase alignment. Sliding-window vibration statistics and the ballbar path error are used as inputs to XGBoost, multilayer perceptron, and random forest regressors. Model performance is evaluated under a deployment-relevant leave-one-run-out protocol and a conventional random 70:30 point split. XGBoost achieves micrometer-level accuracy on unseen runs, with RMSE around 5 µm, R2 exceeding 0.80, and near-complete coverage within a ±20 µm tolerance band. Compared to baseline models, it also provides improved suppression of extreme residuals. Feature importance and ablation studies show that the ballbar path error captures the dominant geometric component, while compact hybrid feature sets—combining this anchor with selected vibration descriptors—retain most of the predictive accuracy and enable practical offline batch-level compensation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».