Vaš brskalnik ne omogoča JavaScript!
JavaScript je nujen za pravilno delovanje teh spletnih strani. Omogočite JavaScript ali pa uporabite sodobnejši brskalnik.
Nacionalni portal odprte znanosti
Odprta znanost
DiKUL
slv
|
eng
Iskanje
Brskanje
Novo v RUL
Kaj je RUL
V številkah
Pomoč
Prijava
A comparative study of machine learning regression models for production systems condition monitoring
ID
Jankovič, Denis
(
Avtor
),
ID
Šimic, Marko
(
Avtor
),
ID
Herakovič, Niko
(
Avtor
)
PDF - Predstavitvena datoteka,
prenos
(1,88 MB)
MD5: 22D0CF008C1930AF637A9910A6CA8989
URL - Izvorni URL, za dostop obiščite
https://apem-journal.org/Archives/2024/Abstract-APEM19-1_078-092.html
Galerija slik
Izvleček
This research investigates the benefits of different Machine Learning (ML) approaches in production systems, with respect to the given use case of considering the forming process and different friction conditions on hydraulic press response in between the phases of the sheet metal bending cycle, i.e. bending, levelling and movement. A framework for enhancing production systems with ML facilitates the transition to smarter processes and enables fast, accurate predictions integrated into decision-making and adaptive control. Comparative ML analysis provides insights into predictive regression models for hydraulic press condition recognition, enhancing process improvement. Our results are supported by performance evaluation metrics of predictive accuracy RMSE, MAE, MSE and R2 for Linear Regression (LR), Decision Trees (DT), Support Vector Machine (SVM), Gaussian Process Regression (GPR) and Neural Network (NN) models. Given the remarkable predictive accuracy of the regression models with R2 values between 0.9483 and 0.9995, it is noteworthy that less complex models exhibit significantly shorter training times, up to 437 times shorter than more complex models. In addition, simpler models have up to 36 times better prediction rates, compared to more complex models. The fundamentals illustrate the trade-offs between model complexity, accuracy and computational training and prediction rate.
Jezik:
Angleški jezik
Ključne besede:
hydraulic presses
,
metal forming
,
machine learning
,
linear regression
,
decision trees
,
support vector machines
,
gaussian process regression
,
artificial neural networks
Vrsta gradiva:
Članek v reviji
Tipologija:
1.01 - Izvirni znanstveni članek
Organizacija:
FS - Fakulteta za strojništvo
Status publikacije:
Objavljeno
Različica publikacije:
Objavljena publikacija
Leto izida:
2024
Št. strani:
Str. 78–92
Številčenje:
Vol. 19, nr. 1
PID:
20.500.12556/RUL-159626
UDK:
621.7:004.85
ISSN pri članku:
1854-6250
DOI:
10.14743/apem2024.1.494
COBISS.SI-ID:
201874947
Datum objave v RUL:
16.07.2024
Število ogledov:
107
Število prenosov:
21
Metapodatki:
Citiraj gradivo
Navadno besedilo
BibTeX
EndNote XML
EndNote/Refer
RIS
ABNT
ACM Ref
AMA
APA
Chicago 17th Author-Date
Harvard
IEEE
ISO 690
MLA
Vancouver
:
Kopiraj citat
Objavi na:
Gradivo je del revije
Naslov:
Advances in production engineering & management
Skrajšan naslov:
Adv produc engineer manag
Založnik:
Fakulteta za strojništvo, Inštitut za proizvodno strojništvo
ISSN:
1854-6250
COBISS.SI-ID:
229859072
Licence
Licenca:
CC BY 4.0, Creative Commons Priznanje avtorstva 4.0 Mednarodna
Povezava:
http://creativecommons.org/licenses/by/4.0/deed.sl
Opis:
To je standardna licenca Creative Commons, ki daje uporabnikom največ možnosti za nadaljnjo uporabo dela, pri čemer morajo navesti avtorja.
Sekundarni jezik
Jezik:
Slovenski jezik
Ključne besede:
hidravlične stiskalnice
,
preoblikovanje kovin
,
strojno učenje
,
linearna regresija
,
odločitvena drevesa
,
podporni vektorski stroji
,
regresija Gaussovega procesa
,
umetne nevronske mreže
Projekti
Financer:
ARIS - Javna agencija za znanstvenoraziskovalno in inovacijsko dejavnost Republike Slovenije
Številka projekta:
P2-0248
Naslov:
Inovativni izdelovalni sistemi in procesi
Financer:
ARIS - Javna agencija za znanstvenoraziskovalno in inovacijsko dejavnost Republike Slovenije
Številka projekta:
J2-4470
Naslov:
Raziskave zanesljivosti in učinkovitosti računanja na robu v pametni tovarni z uporabo tehnologij 5G
Financer:
ARIS - Javna agencija za znanstvenoraziskovalno in inovacijsko dejavnost Republike Slovenije
Program financ.:
Young researchers
Številka projekta:
53512
Financer:
EC - European Commission
Program financ.:
HE
Številka projekta:
101058693
Naslov:
Sustainable Transition to the Agile and Green Enterprise
Akronim:
STAGE
Podobna dela
Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:
Nazaj