.png){kind=icon}
返回
Physics-Informed Dataset Optimization for CNC Axis-Current Prediction
.png){kind=icon}
OA
AI
DOI：10.1109/access.2026.3718352.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于物理的数控加工过程监控中，准确预测轴和主轴电流信号至关重要。尽管代表性数据集是必需的，但高产品多样性、短生命周期和多变加工条件导致增量收集的数据集分布失衡或偏移。因此，本文提出一种以数据为中心的物理信息机器学习（PiML）方法——物理信息数据集优化（PiDO），在模型重新训练前通过物理一致样本丰富训练数据集。PiDO利用基于能量平衡电流模型的轴和主轴电流动态的局部参数化物理方程（PEs），在降维离散特征空间中生成样本。物理一致性通过局部PE参数化、特征空间边界、NC代码、机床运动学信息以及未解析变量的统计观测范围来约束。该方法在两台三轴数控铣床（DMC 60H和CMX 600V）上的11种POM-C叶轮几何形状上进行了评估，生成22个验证数据集，以仅真实数据训练作为基准。评估基于均方根误差（RMSE）、 $R^{2}$、显著性检验和数据集平衡度量。与全局PE相比，提出的局部PE参数化将RMSE降低了43.0%～74.8%，并将 $R^{2}$从0.072～0.448提高到0.821～0.947。在下游预测任务中，PiDO改善了数据集平衡，并在多个验证场景中实现了显著的RMSE改进，尤其在稀疏数据条件下，与真实数据基准相比无明显劣化。
Keyword:
CNC machining
process monitoring
incremental learning
data-centric AI
dataset balancing
physics-informed machine learning
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
A multimodal dataset for process monitoring and anomaly detection in industrial CNC milling.png)
DATA IN BRIEF
OAAI
DATA IN BRIEFIF1.4
OAAI分享收藏Physics-informed machine learning: A comprehensive review on applications in anomaly detection and condition monitoring基于物理的机器学习: 在异常检测和状态监测中的应用综述OAAI
OAAI分享收藏分享收藏Estimating model inadequacy in ordinary differential equations with physics-informed neural networks用物理信息神经网络估计常微分方程中的模型不足
PREAI
分享收藏Gaussian Distance Weighted Algorithm for Geometric Characteristics of Three-Dimensional Discrete Curves基于高斯距离加权算法的三维离散曲线几何特性
PREAI
分享收藏
查看更多内容