Oversampling aplicación de identificación de rendimiento de sinterización láser selectiva 3D mediante modelos de clasificación matemática híbridos
Autores: Chen, You-Shyang; Chang, Jieh-Ren; Hung, Ying-Hsun; Lai, Jia-Hsien
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Oversampling aplicación de identificación de rendimiento de sinterización láser selectiva 3D mediante modelos de clasificación matemática híbridos
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Sinterización
Fabricación
Modelos
Rendimiento
Ajustes de parámetros de la máquina
Clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
La sinterización láser selectiva (SLS) es una de las tecnologías de moldeo en 3D más populares; sin embargo, los pasos de fabricación de las máquinas SLS son engorrosos, y el paso más importante se centra en las pruebas de moldeo porque requiere mucho trabajo directo y costos de material. Esta investigación establece modelos avanzados de clasificación matemática híbrida, incluidos el bosque aleatorio (RF), la máquina de vectores de soporte (SVM) y la red neuronal artificial (ANN), para identificar efectivamente el rendimiento de SLS de los resultados de sinterización de tres objetos sinterizados (cajas, cilindros y planos) para lograr el propósito clave de reducir el número de verificaciones de modelos y ajustes de parámetros de máquina, ahorrando así mucho tiempo y costos de fabricación. En el proceso experimental, se utilizan indicadores de evaluación del rendimiento, como la precisión de clasificación (CA), el área bajo la curva ROC (AUC) y la puntuación F1, para medir la experiencia de los modelos propuestos con datos prácticos de la industria. En los resultados experimentales, la ANN obtiene la mayor CA de 0,6168, y se descubre que cada máquina reduce el tiempo promedio de sinterización en cuatro horas en comparación con el proceso de fabricación original. Además, empleamos un método de sobremuestreo para ampliar los datos de muestra y superar los problemas existentes de desequilibrio de clases en el conjunto de datos recopilados. Un hallazgo importante es que el algoritmo RF es más adecuado para predecir el fallo de sinterización de objetos, y sus tiempos de sinterización promedio por máquina son de 1,7, lo que es menor que las 1,95 veces de ANN y las 2,25 veces de SVM. En conclusión, esta investigación aporta algunas conclusiones empíricas valiosas y hallazgos centrales de investigación. En cuanto a las contribuciones de la investigación, los resultados de la investigación pueden proporcionarse a círculos académicos relevantes y a los requisitos de la industria para su uso referencial en estudios posteriores o aplicaciones industriales.
Descripción
La sinterización láser selectiva (SLS) es una de las tecnologías de moldeo en 3D más populares; sin embargo, los pasos de fabricación de las máquinas SLS son engorrosos, y el paso más importante se centra en las pruebas de moldeo porque requiere mucho trabajo directo y costos de material. Esta investigación establece modelos avanzados de clasificación matemática híbrida, incluidos el bosque aleatorio (RF), la máquina de vectores de soporte (SVM) y la red neuronal artificial (ANN), para identificar efectivamente el rendimiento de SLS de los resultados de sinterización de tres objetos sinterizados (cajas, cilindros y planos) para lograr el propósito clave de reducir el número de verificaciones de modelos y ajustes de parámetros de máquina, ahorrando así mucho tiempo y costos de fabricación. En el proceso experimental, se utilizan indicadores de evaluación del rendimiento, como la precisión de clasificación (CA), el área bajo la curva ROC (AUC) y la puntuación F1, para medir la experiencia de los modelos propuestos con datos prácticos de la industria. En los resultados experimentales, la ANN obtiene la mayor CA de 0,6168, y se descubre que cada máquina reduce el tiempo promedio de sinterización en cuatro horas en comparación con el proceso de fabricación original. Además, empleamos un método de sobremuestreo para ampliar los datos de muestra y superar los problemas existentes de desequilibrio de clases en el conjunto de datos recopilados. Un hallazgo importante es que el algoritmo RF es más adecuado para predecir el fallo de sinterización de objetos, y sus tiempos de sinterización promedio por máquina son de 1,7, lo que es menor que las 1,95 veces de ANN y las 2,25 veces de SVM. En conclusión, esta investigación aporta algunas conclusiones empíricas valiosas y hallazgos centrales de investigación. En cuanto a las contribuciones de la investigación, los resultados de la investigación pueden proporcionarse a círculos académicos relevantes y a los requisitos de la industria para su uso referencial en estudios posteriores o aplicaciones industriales.