No/VOL: 05/2024 Page no. 294
Authors: Agata Przybyś-Małaczek , Karol Szymanowski , Jarosław Kurek :
Title: Wpływ cech sygnału na klasyfikację stanu narzędzia opartą na uczeniu maszynowym w procesie frezowania płyt wiórowych
Abstract: 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.
Key words: Istotność cech sygnału, monitorowanie stanu narzędzia, uczenie maszynowe, frezowanie płyty wiór