DOI: https://doi.org/10.1038/s41598-025-85694-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39856178
تاريخ النشر: 2025-01-24
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: عمليات التشغيل المتقدمة والتحسين
نظرة عامة
تقدم هذه الورقة البحثية طريقة جديدة للتنبؤ بتآكل الأدوات تدمج بين اختيار الميزات باستخدام XGBoost وشبكة عصبية من نوع تحسين سرب الجسيمات-الانتشار العكسي (PSO-BP)، مع التركيز بشكل خاص على تحدي التنبؤ بدقة بتآكل الأدوات في السيناريوهات التي تحتوي على عينات بيانات محدودة. تتضمن المنهجية معالجة إشارات تشغيل CNC من خلال تقسيم الزمن، وتصفية هامبل، وإزالة الضوضاء باستخدام المويجات، تليها استخراج الميزات ذات الصلة باستخدام تحويل فورييه السريع (FFT) وتحليل حزمة المويجات. تستخدم الدراسة تحليل الارتباط لبييرسون وتحليل أهمية الميزات باستخدام XGBoost لاختيار الميزات بشكل فعال، مما يعزز بشكل كبير جودة مدخلات النموذج. يتم استخدام خوارزمية PSO لتحسين معلمات شبكة BP العصبية، مما يؤدي إلى تقليل ملحوظ بنسبة 57.4% في وقت بناء النموذج وزيادة بنسبة 63.57% في دقة التنبؤ مقارنة بالطرق التقليدية.
تظهر النتائج أن نموذج PSO-BP يتفوق على خوارزميات التحسين الأخرى، مثل الخوارزمية الجينية (GA)، وخوارزمية سرب السلمون (SSA)، وخوارزمية تحسين الحوت (WOA)، من حيث دقة التنبؤ بتآكل الأدوات. لا تحسن مجموعة XGBoost وPSO أداء النموذج تحت ظروف العينات الصغيرة فحسب، بل تظهر أيضًا مرونة شبكة BP العصبية لمجموعة متنوعة من التطبيقات. بينما كان التركيز الأساسي على تعزيز دقة التنبؤ، تعترف الدراسة بالحاجة إلى أبحاث مستقبلية لمعالجة الكفاءة الحسابية، خاصةً للبيانات الكبيرة والتطبيقات في الوقت الحقيقي في البيئات الصناعية. تسهم هذه العمل في تقديم رؤى قيمة لتحسين كفاءة الإنتاج، وتقليل تكرار استبدال الأدوات، وخفض تكاليف الصيانة في بيئات تشغيل CNC.
الطرق
تحدد هذه القسم التحقق التجريبي من طريقة جديدة للتنبؤ بتآكل الأدوات تدمج بين اختيار الميزات باستخدام XGBoost وشبكة عصبية من نوع تحسين سرب الجسيمات-الانتشار العكسي (PSO-BP). تم هيكلة شبكة BP بثلاث طبقات، ويتم تحديد عدد الطبقات المخفية بناءً على عدد خلايا الإدخال. يتم استخدام التحقق المتقاطع لتقييم أداء النموذج، باستخدام مجموعات البيانات C1 وC4 وC6 للتدريب والتحقق. يتم استخدام مقاييس مختلفة، بما في ذلك متوسط الخطأ التربيعي (MSE)، وجذر متوسط الخطأ التربيعي (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط نسبة الخطأ المطلق (MAPE)، وR²، لتقييم دقة التنبؤ، مع قيم خطأ أقل وR² أعلى تشير إلى أداء أفضل للنموذج.
تظهر النتائج أن نموذج PSO-BP يتفوق على خوارزميات أخرى، مثل الخوارزمية الجينية-الانتشار العكسي (GA-BP)، وخوارزمية سرب السلمون-الانتشار العكسي (SSA-BP)، وخوارزمية تحسين الحوت-الانتشار العكسي (WOA-BP)، من حيث دقة التنبؤ وكفاءة التقارب. على وجه التحديد، حقق نموذج PSO-BP متوسط MSE قدره 17.56 وقيمة R² قدرها 0.97، مما يدل على أداء متفوق. علاوة على ذلك، أدى تطبيق XGBoost لاختيار الميزات إلى تحسين دقة النموذج بنسبة 63.57% وتقليل وقت بناء النموذج بنسبة 57.4%. تؤكد التحليلات المقارنة مع الطرق الحالية، بما في ذلك الانحدار الخطي لدمج المستشعرات المتعددة ونماذج CNN-LSTM الهجينة، على القدرات التنبؤية المحسنة وكفاءة الحساب للطريقة المقترحة، مما يجعلها حلاً عمليًا لمهام التنبؤ بتآكل الأدوات.
المناقشة
في هذه الدراسة، يتم تقديم نهج جديد لتنبؤ تآكل أدوات القطع، يدمج بين اختيار الميزات باستخدام XGBoost وشبكة عصبية من نوع تحسين سرب الجسيمات-الانتشار العكسي (PSO-BP). تم هيكلة المنهجية في مرحلتين: تتضمن الأولى معالجة بيانات شاملة لاستخراج الميزات ذات الصلة من إشارات الاهتزاز وقوة القطع التي تم جمعها أثناء تشغيل CNC. يشمل ذلك تقسيم الزمن، وتصفية هامبل، وإزالة الضوضاء باستخدام المويجات، تليها استخراج الميزات عبر مجالات الزمن، والتردد، والزمن-التردد. يتم تحسين مجموعة الميزات الناتجة، التي تتكون من 306 فئة، باستخدام تحليل الارتباط لبييرسون وXGBoost لتعزيز كفاءة ودقة تدريب النموذج.
تظهر شبكة PSO-BP العصبية أداءً متفوقًا مقارنةً بخوارزميات أخرى مثل الخوارزمية الجينية (GA) وخوارزمية تحسين الحوت (WOA)، حيث حققت تحسينًا بنسبة 63.57% في دقة التنبؤ وزيادة بنسبة 57.4% في سرعة التدريب من خلال اختيار الميزات الفعال. تسلط الدراسة الضوء على مرونة شبكة BP العصبية، المحسّنة عبر PSO، في التكيف مع ظروف تجريبية متنوعة. بينما كان التركيز الأساسي على تعزيز دقة التنبؤ، يعترف المؤلفون بالحاجة إلى أبحاث مستقبلية لمعالجة الكفاءة الحسابية، خاصةً للبيانات الكبيرة والتطبيقات في الوقت الحقيقي في السياقات الصناعية.
DOI: https://doi.org/10.1038/s41598-025-85694-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39856178
Publication Date: 2025-01-24
Author(s): Zhenyun Du et al.
Primary Topic: Advanced machining processes and optimization
Overview
This research paper presents a novel tool wear prediction method that integrates XGBoost feature selection with a Particle Swarm Optimization-Back Propagation (PSO-BP) neural network, specifically addressing the challenge of accurately predicting tool wear in scenarios with limited data samples. The methodology involves preprocessing CNC machining signals through time-domain segmentation, Hampel filtering, and wavelet denoising, followed by the extraction of relevant features using Fast Fourier Transform (FFT) and wavelet packet decomposition. The study employs Pearson correlation and XGBoost feature importance analysis for effective feature selection, significantly enhancing model input quality. The PSO algorithm is utilized to optimize the parameters of the BP neural network, resulting in a notable 57.4% reduction in model construction time and a 63.57% increase in prediction accuracy compared to traditional methods.
The findings demonstrate that the PSO-BP model outperforms other optimization algorithms, such as Genetic Algorithm (GA), Salp Swarm Algorithm (SSA), and Whale Optimization Algorithm (WOA), in terms of tool wear prediction accuracy. The combination of XGBoost and PSO not only improves the model’s performance under small sample conditions but also showcases the versatility of the BP neural network for various applications. While the primary focus was on enhancing prediction accuracy, the study acknowledges the need for future research to address computational efficiency, particularly for larger datasets and real-time applications in industrial settings. This work contributes valuable insights for improving production efficiency, reducing tool replacement frequency, and lowering maintenance costs in CNC machining environments.
Methods
The section outlines the experimental validation of a novel tool wear prediction method that integrates XGBoost feature selection with a Particle Swarm Optimization-Back Propagation (PSO-BP) neural network. The BP network is structured with three layers, and the hidden layer count is determined by the number of input neurons. Cross-validation is employed to assess model performance, utilizing datasets C1, C4, and C6 for training and validation. Various metrics, including Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and R², are used to evaluate predictive accuracy, with lower error values and higher R² indicating better model performance.
The findings demonstrate that the PSO-BP model outperforms other algorithms, such as Genetic Algorithm-Back Propagation (GA-BP), Salp Swarm Algorithm-Back Propagation (SSA-BP), and Whale Optimization Algorithm-Back Propagation (WOA-BP), in terms of predictive accuracy and convergence efficiency. Specifically, the PSO-BP model achieved an average MSE of 17.56 and an R² value of 0.97, indicating superior performance. Furthermore, the application of XGBoost for feature selection significantly improved model accuracy by 63.57% and reduced model construction time by 57.4%. Comparative analysis with existing methods, including multi-sensor fusion linear regression and hybrid CNN-LSTM models, confirms the proposed method’s enhanced predictive capabilities and computational efficiency, making it a practical solution for tool wear prediction tasks.
Discussion
In this study, a novel approach for predicting cutting tool wear is presented, integrating XGBoost feature selection with a Particle Swarm Optimization-Back Propagation (PSO-BP) neural network. The methodology is structured in two stages: the first involves comprehensive data processing to extract relevant features from vibration and cutting force signals collected during CNC machining. This includes time-domain segmentation, Hampel filtering, and wavelet denoising, followed by feature extraction across time, frequency, and time-frequency domains. The resulting feature set, comprising 306 categories, is refined using Pearson correlation analysis and XGBoost to enhance model training efficiency and accuracy.
The PSO-BP neural network model demonstrates superior performance compared to other algorithms like Genetic Algorithm (GA) and Whale Optimization Algorithm (WOA), achieving a 63.57% improvement in prediction accuracy and a 57.4% increase in training speed through effective feature selection. The study highlights the versatility of the BP neural network, optimized via PSO, in adapting to various experimental conditions. While the primary focus was on enhancing prediction accuracy, the authors acknowledge the need for future research to address computational efficiency, particularly for larger datasets and real-time applications in industrial contexts.