机械工具间信息共享以提高表面质量预测

Oct, 2023

机械工具间信息共享以提高表面质量预测

Sharing Information Between Machine Tools to Improve Surface Finish Forecasting

Daniel R. Clarkson, Lawrence A. Bull, Tina A. Dardeno, Chandula T. Wickramarachchi, Elizabeth J. Cross...

TL;DR当前，大多数表面质量预测方法只能进行单任务预测，导致数据集被低效利用、重复工作和实验成本增加。为了解决这个问题，作者提出了一种贝叶斯层次模型来预测车削加工过程中的表面粗糙度测量值。该层次模型与多个独立的贝叶斯线性回归模型进行对比，以展示部分汇集在加工环境中对预测精度和不确定性量化的好处。

Abstract

At present, most surface-quality prediction methods can only perform single-task prediction which results in under-utilised datasets, repetitive work and increased experimental costs. To counter this, the authors

surface-quality prediction single-task prediction bayesian hierarchical model turning machining process partial pooling

发现论文，激发创造

基于前期研究数据的数据驱动研究：使用机器学习预测材料挤压表面粗糙度的初步研究

该研究旨在避免使用大型实验计划来优化材料挤出中的表面粗糙度。通过使用机器学习模型，该研究提供了一种数据驱动的预测建模方法来自动预测基于文献和实验数据的表面粗糙度。研究结果表明，该方法在预测挤出式打印的表面粗糙度方面具有竞争力的结果。

Jun, 2024

通过可解释性方法的整合提升制造质量预测模型

该研究提出了一种利用可解释性技术来提升机器学习模型在铣削过程质量预测中的性能的方法，通过制造业实例论证。该方法包括机器学习模型的初始训练，然后通过可解释性方法识别并消除不相关的特征，从而提高性能，为潜在的制造成本降低和对训练后的机器学习模型的更好理解铺平了道路。这项研究突出了在制造领域中，可解释性技术在解释和优化预测模型方面的实用性。

Mar, 2024

深度加工：车削机加工误差的在线预测

DeepMachining 是一个基于深度学习的人工智能系统，用于在线预测车床加工操作中的加工误差。通过预训练深度学习模型来学习加工状态的显著特征，并通过微调预训练模型来适应具体的加工任务，我们证明了 DeepMachining 在涉及不同工件和切削工具的多项任务中具有较高的预测准确性。据我们所知，这项工作是使用预训练的深度学习模型来预测车床加工误差的最早的工厂实验之一。

Mar, 2024

贝叶斯回归市场

机器学习任务对输入数据的质量很敏感，但是企业往往难以获得足够的数据集，这些数据集通常在不同的所有者间进行自然分布，这些所有者在实践中可能是下游市场的竞争对手，且不愿意共享信息。我们提出了一种基于贝叶斯框架的回归市场机制，为数据共享提供了经济激励，以解决监督学习回归任务中的这些挑战。我们对市场性质进行了全面的研究，并表明当前文献中类似建议暴露了市场参与者的巨大财务风险，而我们的概率设置可以减小这些风险。

Oct, 2023

基于量子机器学习的增材制造试样表面粗糙度预测方法

本研究比较了三种量子算法，即 QNN，Q-Forest 和 VQC，首次用于预测添加制造的样本表面粗糙度。研究发现，Q-Forest 算法在预测精度上表现最好。

Apr, 2023

基于数据驱动的贝叶斯正则化人工神经网络预测工具磨损

采用贝叶斯正则化人工神经网络的数据驱动模型精确预测铣削刀具磨损，并在实验研究中表明其在准确性和可靠性方面优于现有的现有模型。

Nov, 2023

融合卫星和地面观测资料的降水不确定性机器学习估计

通过对具有 15 年长期月度跨越美国的大型数据集进行广泛比较，本研究旨在首次进行基于机器学习的不确定性量化任务的基准测试，结论表明适用于此任务的学习器的能力排名分别为：LightGBM，QRF，GRF，GBM，QRNN 和 QR。

Nov, 2023

有限数据下基于机器学习增强的惯性约束聚变目标抛光表面光滑性预测

通过使用振动传感器收集的数据，使用机器学习模型可以实时预测高密度碳球壳体的表面粗糙度，以优化惯性约束聚变过程中的抛光处理。

Dec, 2023

预测性流程监控中机器学习不确定性的量化和解释：运筹学视角

本文介绍了一个多阶段综合的机器学习方法，有效地将信息系统和人工智能相结合，以增强操作研究领域内的决策过程的效力。该方法能够解决现有解决方案的常见限制，例如忽略关键生产参数的数据驱动估计、仅生成点预测而不考虑模型不确定性以及缺乏关于不确定性来源的解释。我们的方法利用分位数回归森林生成间隔预测，同时采用了局部和全局版本的 SHapley 加性解释，用于研究预测过程监测问题。通过一个实际的生产计划案例研究，我们证明了所提出方法的实际适用性，强调了规范分析在完善决策程序方面的潜力。本文强调了解决这些挑战以充分利用广泛和丰富的数据资源来进行明智决策。

Apr, 2023

用于加工金属表面纹理合成的随机几何模型：喷砂和铣削

使用合成数据和纹理合成模型，构建了数字孪生对象的微观表面拓扑模型，解决了视觉表面检测系统的训练数据不足和缺乏样本缺陷多样性的问题。

Mar, 2024