ترجمه فارسی مقاله پیش‌بینی کیفیت فرز کارآمد با یادگیری ماشینی قابل توضیح

چکیده

This paper presents an explainable machine learning (ML) approach for predicting surface roughness in milling. Utilizing a dataset from milling aluminum alloy 2017A, the study employs random forest regression models and feature importance techniques. The key contributions include developing ML models that accurately predict various roughness values and identifying redundant sensors, particularly those for measuring normal cutting force. Our experiments show that removing certain sensors can reduce costs without sacrificing predictive accuracy, highlighting the potential of explainable machine learning to improve cost-effectiveness in machining.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک روش یادگیری ماشین قابل توضیح (ML) برای پیش بینی زبری سطح در فرز ارائه شده است.این مطالعه با استفاده از یک مجموعه داده از آسیاب آلیاژ آلومینیوم 2017a ، از مدل های رگرسیون جنگلی تصادفی و تکنیک های اهمیت ویژه استفاده می کند.مشارکتهای اصلی شامل توسعه مدلهای ML است که به طور دقیق مقادیر مختلف زبری و شناسایی سنسورهای اضافی ، به ویژه مواردی را برای اندازه گیری نیروی برش طبیعی پیش بینی می کند.آزمایشات ما نشان می دهد که حذف سنسورهای خاص می تواند هزینه ها را بدون قربانی کردن دقت پیش بینی کاهش دهد ، و پتانسیل یادگیری ماشین قابل توضیح را برای بهبود مقرون به صرفه بودن در ماشینکاری برجسته می کند.