Разработка SVM модели для предиктивного обслуживания металлорежущего оборудования
- Авторы: Джавадов Н.Г.1, Амиров А.М.1, Исмаилов В.М.1
-
Учреждения:
- Национальное Аэрокосмическое Агентство
- Выпуск: Том 75, № 2 (2025)
- Страницы: 75-81
- Раздел: Информационные технологии
- URL: https://journal-vniispk.ru/2079-0279/article/view/317033
- DOI: https://doi.org/10.14357/20790279250209
- EDN: https://elibrary.ru/AMBERY
- ID: 317033
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
- 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.
- 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.
- 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.
- 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.
- 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.
- 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
- 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.
- 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.
- Vapnik V.N. The Nature of Statistical Learning Theory. New York: Springer, 2000. 314 p.
- 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
