Tytuł pozycji:
Impact of signal features on machine learning-based tool condition classification in the milling chipboard process
This study investigates the impact of various signal features on machine learning-based tool condition classification in the milling chipboard process. Different machine learning models such as XGBoost, Gradient Boosting, Decision Tree and Random Forest have been applied and the signal features have been ranked based on their importance. The highest ranking signal was 'DataLow_0', contributing over 16% of the total ranking. 'DataCurrent_2' and 'DataLow_1' were identified as the second and third most influential signals. On the contrary, 'DataCurrent_1' was found to be the least influential. It's essential to consider that the relative importance of these signals can vary depending on the specific tool condition and classifier used. Although signal importance rankings provide a relative understanding of these signals, further studies applying exploratory analysis and model interpretation techniques are recommended for an explicit understanding of the nature of the relationships between these signals and the target classification. In conclusion, understanding the influence of signal features is vital for effective design and optimization of machine learning models for tool condition classification in the milling chipboard process.
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.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
