Impact of signal features on machine learning-based tool condition classification in the milling chipboard process

• Autorzy: Przybyś-Małaczek Agata , Szymanowski Karol , Kurek Jarosław

Identyfikatory

DOI

10.15199/48.2024.05.57

Warianty tytułu

PL

Wpływ cech sygnału na klasyfikację stanu narzędzia opartą na uczeniu maszynowym w procesie frezowania płyt wiórowych

• Języki publikacji: EN

Abstrakty

EN

This study investigates the impact of various signal features on machine learning-based tool condition classification in the milling chipboard process. Different machine learning models such as XGBoost, Gradient Boosting, Decision Tree and Random Forest have been applied and the signal features have been ranked based on their importance. The highest ranking signal was 'DataLow_0', contributing over 16% of the total ranking. 'DataCurrent_2' and 'DataLow_1' were identified as the second and third most influential signals. On the contrary, 'DataCurrent_1' was found to be the least influential. It's essential to consider that the relative importance of these signals can vary depending on the specific tool condition and classifier used. Although signal importance rankings provide a relative understanding of these signals, further studies applying exploratory analysis and model interpretation techniques are recommended for an explicit understanding of the nature of the relationships between these signals and the target classification. In conclusion, understanding the influence of signal features is vital for effective design and optimization of machine learning models for tool condition classification in the milling chipboard process.

PL

Artykuł ten przedstawia analizę wpływu różnorodnych cech sygnałowych na klasyfikację stanu narzędzia w procesie frezowania płyty wiórowej, wykorzystując metody uczenia maszynowego. W badaniu zastosowano różne modele, takie jak XGBoost, Gradient Boosting, Drzewo Decyzyjne i Las Losowy, a następnie dokonano rankingu cech sygnałowych pod kątem ich ważności. Najważniejszą cechą okazał się sygnał 'DataLow_0', który stanowił ponad 16% całkowitego rankingu. Kolejnymi ważnymi sygnałami zostały zidentyfikowane 'DataCurrent_2' oraz 'DataLow_1'. W przeciwieństwie do nich, 'DataCurrent_1' okazał się być najmniej wpływowym sygnałem. Należy podkreślić, że względna istotność tych sygnałów może różnić się w zależności od konkretnego stanu narzędzia i użytego klasyfikatora. Chociaż ranking istotności sygnałów daje ogólne zrozumienie ich roli, zaleca się dalsze badania z wykorzystaniem analizy eksploracyjnej i technik interpretacji modelu, aby dokładniej zrozumieć naturę związków między tymi sygnałami a celem klasyfikacji. Podsumowując, zrozumienie wpływu cech sygnałowych jest kluczowe dla efektywnego projektowania i optymalizacji modeli uczenia maszynowego stosowanych do klasyfikacji stanu narzędzi w procesie frezowania płyty wiórowej.

Słowa kluczowe

EN

signal features importance; tool state monitoring; machine learning; milling chipboard

PL

istotność cech sygnału; monitorowanie stanu narzędzia; uczenie maszynowe; frezowanie płyty wiórowej

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 5
• Strony: 294--297
• Opis fizyczny: Bibliogr. 20 poz., tab.

Twórcy

autor

Przybyś-Małaczek Agata

• Department of Artificial Intelligence, Institute of Information Technology, Warsaw University of Life Sciences

• https://orcid.org/0009-0007-8436-0271

autor

Szymanowski Karol

• Department of Mechanical Processing of Wood, Institute of Wood Sciences and Furniture, Warsaw University of Life Sciences

• https://orcid.org/0000-0003-0383-0897

autor

Kurek Jarosław

• Department of Artificial Intelligence, Institute of Information Technology, Warsaw University of Life Sciences

• https://orcid.org/0000-0002-2789-4732

Bibliografia

• [1] Kurek, J.; Antoniuk, I.; Górski, J.; Jegorowa, A.; Świderski, B.; Kruk, M.; Wieczorek, G.; Pach, J.; Orłowski, A.; Aleksiejuk-Gawron, J. Classifiers ensemble of transfer learning for improved drill wear classification using convolutional neural network. Mach. Graph. Vis. 2019, 28, 13–23. https://doi.org/10.22630/MGV.2019.28.1.2.
• [2] Osowski, S.; Kurek, J.; Kruk, M.; Górski, J.; Hoser, P.; Wieczorek, G.; Jegorowa, A.; Wilkowski, J.; Śmietańska, K.; Kossakowska, J. Developing automatic recognition system of drill wear in standard laminated chipboard drilling process. Bull. Pol. Acad. Sci. Tech. Sci. 2016, 64,633–640. https://doi.org/10.1515/bpasts-2016-0071.
• [3] Jegorowa, A.; Kurek, J.; Antoniuk, I.; Dołowa, W.; Bukowski, M.; Czarniak, P. Deep learning methods for drill wear classification based on images of holes drilled in melamine faced chipboard. Wood Sci. Technol. 2021, 55, 271–293. https://doi.org/10.1007/s00226-020-01245-7.
• [4] Świderski, B.; Antoniuk, I.; Kurek, J.; Bukowski, M.; Górski, J.; Jegorowa, A. Tool condition monitoring for the chipboard drilling process using automatic, signal-based tool state evaluation. BioResources 2022, 17, 5349–5371. https://doi.org/10.15376/biores.17.3.5349-5371.
• [5] Wilkowski, J.; Górski, J.; et al. Vibro-acoustic signals as a source of information about tool wear during laminated chipboard milling. Wood Res. 2011, 56, 57–66.
• [6] Świderski, B.; Kurek, J.; Osowski, S.; Kruk, M.; Jegorowa, A. Di- agnostic system of drill condition in laminated chipboard drilling process. In Proceedings of the MATEC Web of Conferences; EDP Sciences: Les Ulis, France, 2017; Volume 125, pp. 1–6. https://doi.org/10.1051/matecconf/201712504002.
• [7] Kuo, R. Multi-sensor integration for on-line tool wear estimation through artificial neural networks and fuzzy neural network. Eng. Appl. Artif. Intell. 2000, 13, 249–261. https://doi.org/10.1016/S0952-1976(00)00008-7.
• [8] Jegorowa, A.; Górski, J.; Kurek, J.; Kruk, M. Use of nearest neighbors (K-NN) algorithm in tool condition identification in the case of drilling in melamine faced particleboard. Maderas Cienc. Tecnol. 2020, 22, 189–196. https://doi.org/10.4067/S0718-221X2020005000205.
• [9] Schmidhuber, J. Deep learning in neural networks: An overview. Neural Netw. 2015, 61, 85–117. https://doi.org/10.1016/j.neunet.2014.09.003.
• [10] Goodfellow, I.; Bengio, Y.; Courville, A. Deep Learning; MIT Press: Cambridge, MA, USA, 2016.
• [11] Deng, L.; Yu, D. Deep learning: Methods and applica- tions. Found. Trends-Signal Process. 2014, 7, 197– 387. https://doi.org/10.1561/2000000039.
• [12] Ibrahim, I.; Khairuddin, A.S.M.; Abu Talip, M.S.; Arof, H.; Yusof, R. Tree species recognition system based on macroscopic image analysis. Wood Sci. Technol. 2017, 51, 431–444. https://doi.org/10.1007/s00226- 016-0859-4.
• [13] Kurek, J.; Świderski, B.; Jegorowa, A.; Kruk, M.; Osowski, S. Deep learning in assessment of drill condition on the basis of images of drilled holes. In Proceedings of the Eighth International Conference on Graphic and Image Processing (ICGIP 2016), Tokyo, Japan, 29–31 October 2017; Volume 10225, pp. 375–381. https://doi.org/10.1117/12.2266254.
• [14] Kurek, J.; Wieczorek, G.; Kruk, B.S.M.; Jegorowa, A.; Osowski, S. Transfer learning in recognition of drill wear using convolu- tional neural network. In Proceedings of the 2017 18th Interna- tional Conference on Computational Problems of Electrical Engineer- ing (CPEE), Lviv-Slavske, Ukraine, 15–18 September 2017; pp. 1–4. https://doi.org/10.1109/CPEE.2017.8093087.
• [15] Kurek, J.; Antoniuk, I.; Górski, J.; Jegorowa, A.; Świderski, B.; Kruk, M.; Wieczorek, G.; Pach, J.; Orłowski, A.; Aleksiejuk-Gawron, J. Data augmentation techniques for transfer learning improvement in drill wear classification using convolutional neural network. Mach. Graph. Vis. 2019, 28, 3–12. https://doi.org/10.22630/MGV.2019.28.1.1.
• [16] Krizhevsky, A.; Sutskever, I.; Hinton, G.E. Imagenet classification with deep convolutional neural networks. Commun. ACM 2017, 60, 84–90. https://doi.org/10.1145/3065386.
• [17] Przybyś-Małaczek, A., Antoniuk, I., Szymanowski, K., Kruk, M. & Kurek, J. Application of Machine Learning Algorithms for Tool Con- dition Monitoring in Milling Chipboard Process. Sensors. 23 (2023), https://www.mdpi.com/1424- 8220/23/13/5850
• [18] Kurek J., Świderski B., Jegorowa A., Kruk M., Osowski S., (2017a). Deep learning in assessment of drill condition on the basis of images of drilled holes In: International Conference on Graphic and Image Processing. ICGIP. DOI: https://doi.org/10.1117/12.2266254.
• [19] Jegorowa, A., Kurek, J., Antoniuk, I., Dołowa, W., Bukowski, M. & Czarniak, P. Deep learning methods for drill wear classification based on images of holes drilled in melamine faced chipboard. Wood Science And Technology. 55, 271-293 (2021,1,1), https://doi.org/10.1007/s00226-020-01245-7
• [20] Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S.,Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., Berg, A. & Fei-Fei, L. ImageNet Large Scale Visual Recognition Challenge. (2015)

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).