文献

J-GLOBAL ID：202102212304353719   整理番号：21A2519798

限定ラベル付きデータを持つ位置および速度依存ツールチップ動力学を予測するための半教師つきグラフ畳込みネットワーク【JST・京大機械翻訳】

Semi-supervised graph convolutional network to predict position- and speed-dependent tool tip dynamics with limited labeled data

著者 (9件)： Qiu Chaochao (State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan 430074, China) ,  Li Kai (School of Mechanical and Electrical Engineering, Central South University, Changsha 410083, China) ,  Li Bin (State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan 430074, China) ,  Li Bin (National NC System Engineering Research Center, Huazhong University of Science and Technology, Wuhan 430074, China) ,  Mao Xinyong (State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan 430074, China) ,  He Songping (State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan 430074, China) ,  Hao Caihua (State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan 430074, China) ,  Hao Caihua (Wuhan Intelligent Equipment Industrial Technology Institute Company Limited, Wuhan 430074, China) ,  Yin Ling (School of Mechanical Engineering, DongGuan University of Technology, 523808 Dongguan, China)
資料名： Mechanical Systems and Signal Processing  (Mechanical Systems and Signal Processing)
巻： 164  ページ： Null  発行年： 2022年 
JST資料番号： T0514A  ISSN： 0888-3270  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 工具先端周波数応答関数(FRF)は,安定性ローブ図(SLD)を計算するための必須入力の1つとして,工作機械作業体積内の移動成分の変化の位置と速度によって変化する。位置および速度依存工具先端動力学を正確に予測する方法は,びびりを回避しながら,SLDを得るための最も挑戦的な課題の1つになった。しかし,従来の有限要素解析または運動学モデリングベースの方法は,費用がかかり時間がかかる。データ駆動機械学習法は,モデルを訓練するために大量のラベル付きデータを必要とするが,ラベル付けされた産業データは,実際の製造業において制限され,非常に貴重である。実験を最小化するために,改良半教師つきグラフ畳込みネットワーク(GCN)を提案し,限定されたラベル付きデータによる位置および速度依存ツールチップ動力学を予測した。最初に,逆安定性解を適用して,ラベル付きサンプルを得るために切削条件の下で支配的なモードパラメータを同定した。その後,限られた標識試料および大量のラベルなし試料をグラフデータに変換し,多層パーセプトロンと統合したGCN回帰モデルを訓練した。限られたデータ条件の下で過剰適合を避けるために,従来のGCNは,初期ノード特徴を再構成するために利用される変換GCNを積み重ねることによって拡張される。結果は,損失関数に教師なし再構成誤差を加えることによって,改良予測性能を実証した。他の機械学習法と比較して,著者らの提案方法は,ラベル付きサンプルの20%だけを有するツールチップ動力学の予測において優れた性能を有した。最後に,SLDsを予測FRFsで再構成し,SLDsの精度をびびり試験で検証した。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *畳込み ,  工作機械 ,  損失関数 ,  *ネットワーク ,  びびり ,  製造業 ,  再構成 ,  回帰モデル ,  多層パーセプトロン ,  機械学習
準シソーラス用語： 有限要素解析 ,  切削条件 ,  半教師つき学習 ,  データ駆動 ,  周波数応答関数 , 【Automatic Indexing@JST】

著者キーワード (5件)： 工具先端動力学 ,  位置および速度依存 ,  半教師つき学習 ,  グラフ畳込みネットワーク ,  限定ラベル付きデータ

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： ラベル ,  ツール ,  動力学 ,  予測 ,  教師 ,  グラフ ,  畳込み