 |
Н.Г. Джавадов, А.М. Амиров, В.М. Исмаилов "Разработка SVM модели для предиктивного обслуживания металлорежущего оборудования" |
 |
|
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.
Ключевые слова:
машинное обучение, умное производство, метод опорных векторов, металлообработка, предиктивное обслуживание.
DOI: 10.14357/20790279250209
EDN: AMBERY
Стр. 75-81.
Литература
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]).
|
