Разработка SVM модели для предиктивного обслуживания металлорежущего оборудования

Обложка

Цитировать

Полный текст

Аннотация

Данная статья посвящена созданию модели машинного обучения для оптимизации обслуживания режущего инструмента с применением метода опорных векторов (SVM). В статье рассмотрены основные этапы создания модели многоклассовой классификации от предварительной обработки сырых сигналов до подбора гиперпараметров. Выбор алгоритма обусловлен вычислительной эффективностью, а также возможностью работы с данными с нелинейной структурой. В результате тестирования модели средняя точность достигла 81%. Полученные результаты демонстрируют, что алгоритм на основе метода опорных векторов может справиться с поставленной задачей в условиях ограниченных вычислительных мощностей.

Об авторах

Н. Г. Джавадов

Национальное Аэрокосмическое Агентство

Email: cavadov-natiq@mail.ru
Генеральный Директор, доктор технических наук, профессор г. Баку, Азербайджан

А. М. Амиров

Национальное Аэрокосмическое Агентство

Email: ali.amirov@mail.com
Главный научный сотрудник, кандидат технических наук, доцент г. Баку, Азербайджан

В. М. Исмаилов

Национальное Аэрокосмическое Агентство

Email: ismailovvugar99@gmail.com
Научный сотрудник, докторант (ответственный за переписку) г. Баку, Азербайджан

Список литературы

  1. Джавадов Н.Г., Амиров А.М., Исмаилов В.М. Технические аспекты создания системы мониторинга металлорежущего оборудования с применением машинного обучения // Вестник компьютерных и информационных технологий. 2024. Т. 21, № 10. С. 10–16. doi: 10.14489/vkit.2024.10.pp.010-016.
  2. Montero Jimenez J.J., Schwartz S., Vingerhoeds R., et al. Towards multi-model approaches to predictive maintenance: A systematic literature survey on diagnostics and prognostics // Journal of Manufacturing Systems. 2020. Vol. 56. P. 539–557. doi: 10.1016/j.jmsy.2020.04.012.
  3. Fahle S., Prinz C., Kuhlenkötter B. Systematic review on machine learning (ML) methods for manufacturing processes – Identifying artificial intelligence (AI) methods for field application // Procedia CIRP. 2020. Vol. 93. P. 413–418. doi: 10.1016/j.procir.2020.04.109.
  4. Montero Jimenez J.J., Schwartz S., Vingerhoeds R., Grabot B., Salaün M. Towards multi-model approaches to predictive maintenance: A systematic literature survey on diagnostics and prognostics // Journal of Manufacturing Systems. 2020. Vol. 56. P. 539–557. doi: 10.1016/j.jmsy.2020.04.012.
  5. Çınar Z.M., Nuhu A.A., Zeeshan Q., Korhan O., Asmael M., Safaei B. Machine learning in predictive maintenance towards sustainable smart manufacturing in Industry 4.0 // Sustainability. 2020. Vol. 12, No. 19. P. 8211. doi: 10.3390/su12198211.
  6. Krupitzer C., Wagenhals T., Züfle M., Lesch V., Schäfer D., Mozaffarin A., Edinger J., Becker C., Kounev S. A survey on predictive maintenance for Industry 4.0 // arXiv preprint. 2020. arXiv:2002.08224. doi: 10.48550/arXiv.2002.08224. URL: https://doi.org/10.48550/arXiv.2002.08224
  7. Munaro R., Attanasio A., Del Prete A. Tool wear monitoring with artificial intelligence methods: A review // Journal of Manufacturing and Materials Processing. 2023. Vol. 7, No. 4. P. 129. doi: 10.3390/jmmp7040129.
  8. James G., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning, With Applications in Python. 2nd ed. New York: Springer, 2023. 597 p.
  9. Vapnik V.N. The Nature of Statistical Learning Theory. New York: Springer, 2000. 314 p.
  10. Agogino A., Goebel K. Milling Data Set [Электронный ресурс]. 2007. Режим доступа: http://ti.arc.nasa.gov/project/prognostic-data-repository (дата обращения: [2025]).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».