Wyniki wyszukiwania - BazTech

1

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

Przybyś-Małaczek Agata, Szymanowski Karol, Kurek Jarosław

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 5

294--297

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.

2

A novel approach using vision transformers (VIT) for classification of holes drilled in melamine faced chipboard

Bukowski Michał, Jegorowa Albina, Kurek Jarosław

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 5

273--276

EN

This paper presents a comprehensive performance evaluation of various AI architectures for a classification of holes drilled in melamine faced chipboard, including custom Convolutional Neural Network (CNN-designed), five-fold CNN-designed, VGG19, single and five-fold VGG16, an ensemble of CNN-designed, VGG19, and 5xVGG16, and Vision Transformers (ViT). Each model's performance was measured and compared based on their classification accuracy, with the Vision Transformer models, particularly the B_32 model trained for 8000 epochs, demonstrating superior performance with an accuracy of 71.14%. Despite this achievement, the study underscores the need to balance model performance with other considerations such as computational resources, model complexity, and training times. The results highlight the importance of careful model selection and fine-tuning, guided not only by performance metrics but also by the specific requirements and constraints of the task and context. The study provides a strong foundation for further exploration into other transformer-based models and encourages deeper investigations into model fine-tuning to harness the full potential of these AI architectures for image classification tasks.

PL

Artykuł ten przedstawia szczegółową ocenę wydajności różnych architektur sztucznej inteligencji do klasyfikacji otworów wiertniczych w płytach wiórowych laminowanych. Badanie obejmuje własną sieć neuronową konwolucyjną (CNN), pięciokrotną sieć CNN, VGG19, pojedyncze i pięciokrotne VGG16, zespół sieci CNN, VGG19 i 5xVGG16, oraz transformery wizyjne (ViT). Wydajność każdego modelu mierzono i porównywano na podstawie dokładności klasyfikacji. Modele transformatorów wizyjnych, szczególnie model B_32 trenowany przez 8000 epok, wykazały wyższą skuteczność, osiągając dokładność 71.14%. Pomimo tego osiągnięcia, badanie podkreśla potrzebę równoważenia wydajności modelu z innymi aspektami, takimi jak zasoby obliczeniowe, złożoność modelu i czas szkolenia. Wyniki zwracają uwagę na znaczenie starannego doboru i dopracowania modelu, kierując się nie tylko wskaźnikami wydajności, ale także konkretnymi wymaganiami i ograniczeniami zadania i kontekstu. Studium stanowi solidną podstawę do dalszych badań nad innymi modelami opartymi na transformatorach oraz zachęca do głębszych badań nad dopracowaniem modeli w celu w pełni wykorzystania potencjału tych architektur SI w zadaniach klasyfikacji obrazów.

3

Advancing Chipboard Milling Process Monitoring through Spectrogram-Based Time Series Analysis with Convolutional Neural Network using Pretrained Networks

Kurek Jarosław, Szymanowski Karol, Chmielewski Leszek, Orłowski Arkadiusz

Machine Graphics and Vision

|

2023

|

Vol. 32, No. 2

89--108

EN

This paper presents a novel approach to enhance chipboard milling process monitoring in the furniture manufacturing sector using Convolutional Neural Networks (CNNs) with pretrained architectures like VGG16, VGG19, and RESNET34. The study leverages spectrogram representations of time-series data obtained during the milling process, providing a unique perspective on tool condition monitoring. The efficiency of the CNN models in accurately classifying tool conditions into distinct states (‘Green’, ‘Yellow’, and ‘Red’) based on wear levels is thoroughly evaluated. Experimental results demonstrate that VGG16 and VGG19 achieve high accuracy, however with longer training times, while RESNET34 offers faster training at the cost of reduced precision. This research not only highlights the potential of pretrained CNNs in industrial applications but also opens new avenues for predictive maintenance and quality control in manufacturing, underscoring the broader applicability of AI in industrial automation and monitoring systems.

4

Układ nadzoru stanu narzędzia ADONIS 10

Kossakowska J., Bombiński S., Jemielniak K.

Mechanik

|

2015

|

R. 88, nr 12CD3

25--32

PL

Warunkiem płynnej pracy obrabiarek jest zautomatyzowany nadzór stanu narzędzi skrawających. Artykuł przedstawia wynik wieloletnich prac prowadzonych w Politechnice Warszawskiej, dotyczących budowy układu ADONiS (Automatyczna Diagnostyka Ostrzy Narzędzi Skrawających). Przedstawiono ogóle zasady działania, schemat ideowy, budowę oraz skróconą instrukcję obsługi interfejsu użytkownika układu.

EN

The requirement for smooth work of the machine is automatic monitoring the state of cutting tools. The article presents result of many years work carried out in Warsaw University of Technology, concerning the construction of the Adonis (Automatic Diagnosis of Cutting Tools State). There are general principles of working, schematic diagram, structure and short user manual presented.