Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

24.04.2020 | ORIGINAL ARTICLE | Ausgabe 9-10/2020

The International Journal of Advanced Manufacturing Technology 9-10/2020

Ensemble transfer learning for refining stability predictions in milling using experimental stability states

Zeitschrift:
The International Journal of Advanced Manufacturing Technology > Ausgabe 9-10/2020
Autoren:
M. Postel, B. Bugdayci, K. Wegener
Wichtige Hinweise

Publisher’s note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

A new approach for updating model-based stability chart predictions in milling based on experimental data is presented. The approach utilizes Deep Neural Networks (DNNs), which are pre-trained with simulated data that is generated by predicting machine dynamics through receptance coupling and evaluating stability through an analytical stability model. The weights in the DNN are fine-tuned by re-training the networks with a small experimental dataset containing only a few dozen samples. Target is to match network predictions with the experimentally observed stability states acquired under different cutting conditions. The presented approach avoids measurement or model-based estimation of cutting force coefficients as well as the measurement of tooltip dynamics or extensive model parameter identification, making it an attractive approach for industrial applications. In an experimental validation, where stability charts for various engagement conditions and different tool clamping lengths are predicted, a good match between predictions and experimental stability limits is achieved. It is shown that an ensemble learning method, where predictions of multiple networks are combined, can improve prediction accuracy. Furthermore, it is demonstrated that the new approach requires approximately five times fewer experimental samples than previously proposed model-free machine learning approaches to reach the same prediction accuracy on a test set.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 9-10/2020

The International Journal of Advanced Manufacturing Technology 9-10/2020 Zur Ausgabe

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Bildnachweise