Ein Überblick über Anwendungen von maschinellem Lernen und künstlicher Intelligenz in CNC-Werkzeugmaschinen

Von: CapableMaching

Vorwort:
In den letzten Jahren hat die Verschmelzung von maschinellem Lernen und künstlicher Intelligenz (KI) mit CNC-gesteuerten Werkzeugmaschinen (Computer Numerical Control) die Fertigungslandschaft revolutioniert. Diese Verschmelzung modernster Technologien hat beispiellose Möglichkeiten eröffnet und die Effizienz, Präzision und Anpassungsfähigkeit der Herstellungsprozesse verbessert.

Dieser Aufsatz befasst sich mit der dynamischen Schnittstelle zwischen maschinellem Lernen, KI und CNC-Werkzeugmaschinen und untersucht die synergistische Beziehung zwischen diesen Bereichen und ihre transformativen Auswirkungen auf die moderne Fertigung. Von vorausschauender Wartung und adaptiver Steuerung bis hin zu Prozessoptimierung und Fehlererkennung sind die Anwendungen von KI und maschinellem Lernen in der CNC-Bearbeitung vielfältig und tiefgreifend.

Während wir uns auf diese Erkundung begeben, ist es wichtig, die Beiträge von Forschern, Ingenieuren und Innovatoren anzuerkennen, die unermüdlich die Grenzen der Technologie verschoben und den Weg für bahnbrechende Fortschritte in der Fertigung geebnet haben. Ihr Engagement und ihr Einfallsreichtum haben uns in eine Ära geführt, in der Maschinen nicht nur Werkzeuge, sondern intelligente Mitarbeiter sind, die lern-, sich anpassen und weiterentwickeln können.

Ziel dieser Rezension ist es, einen umfassenden Überblick über den aktuellen Stand der Technik zu geben und Licht auf neue Trends, Herausforderungen und zukünftige Richtungen im Bereich der KI und des maschinellen Lernens in CNC-Werkzeugmaschinen zu werfen. Ganz gleich, ob Sie ein erfahrener Branchenprofi, ein aufstrebender Forscher oder einfach nur neugierig auf die transformative Kraft der Technologie sind, ich hoffe, dass diese Rezension als wertvolle Ressource dient und Sie zu weiteren Erkundungen der spannenden Grenzen der intelligenten Fertigung anregt.

Einleitung

Die Zukunft der synergistischen Produktion

Im komplexen Geflecht der modernen Fertigung sticht die CNC-Bearbeitung als zentrale Kraft hervor, die den Fortschritt in verschiedenen Sektoren wie der Automobilindustrie, der Medizintechnik, der Luft- und Raumfahrtindustrie und darüber hinaus vorantreibt ^[1]. Doch da der unaufhörliche Fortschritt der Technologie die Grenzen immer weiter verschiebt, ist es unsere Aufgabe, einen Blick in den Horizont des CNC-Betriebs zu werfen ^[2], ^[3]. Diese Reise nach vorne ist eng mit den Bereichen maschinelles Lernen (ML) und künstliche Intelligenz (KI) verknüpft. ^[4]. Die potenziellen Auswirkungen der Integration von ML und KI in CNC-Bearbeitungsvorgänge sind tiefgreifende und vielversprechende transformative Fortschritte, die das Wesen von Fertigungsprozessen neu definieren könnten ^[5].

ML, ein Abkömmling der KI, ermöglicht es Maschinen, autonom aus riesigen Datensätzen und früheren Erfahrungen zu lernen und revolutioniert so die Arbeitsweise von CNC-Systemen ^[6], ^[7]. Durch den Einsatz fortschrittlicher Sensoren und Echtzeit-Datenanalysen eröffnen ML-gestützte Einblicke in den Werkzeugzustand neue Dimensionen der Produktivität und Effizienz in der CNC-Bearbeitung ^[8]. Durch prädiktive Analysen ist KI der Schlüssel zur Vorhersage des Wartungsbedarfs, um so Ausfallzeiten zu minimieren und Bearbeitungsprozesse auf ein optimales Effizienzniveau abzustimmen ^[9], ^[10].

Darüber hinaus erweitert das Aufkommen von Deep Learning die Fähigkeiten von CNC-Überwachungssystemen und ermöglicht ausgefeilte Mechanismen zur Fehlererkennung und fein abgestimmte Strategien zur Prozessoptimierung ^[11]. Derzeit laufen Forschungsanstrengungen, um die vielfältigen Anwendungen von ML und KI in einer Reihe industrieller Herausforderungen zu untersuchen und Wege für eine nachhaltige Fertigung und die Entwicklung hin zu intelligenteren Produktionsverfahren aufzuzeigen ^[12], ^[13].

Ein bedeutendes Werk, angeführt von Forschern wie Soori et al., befasst sich mit den digitalen Grenzen von Bearbeitungs-, Schweiß- und Fräsprozessen ^[13]^-^[22]. Ihre Bemühungen konzentrieren sich auf Laserbearbeitungstechniken, die Optimierung der Werkzeuglebensdauer und die Erhöhung der Oberflächenintegritätsstandards ^[23]^-^[25]. Gleichzeitig durchqueren die bahnbrechenden Bemühungen von Dastres und Kollegen die Landschaften von RFID-Systemen, Entscheidungsunterstützungsmechanismen und dem umfangreichen Spektrum von KI-Anwendungen und verdeutlichen die unzähligen Potenziale von KI bei der Gestaltung der Zukunft der Fertigung ^[26]^-^[30].

Wenn wir über diese Fortschritte nachdenken, wird deutlich, dass KI der sprichwörtliche Schlüssel zur Erschließung beispielloser Produktivitätssteigerungen im Bereich der CNC-Bearbeitung ist ^[31]. Durch das unermüdliche Streben nach Forschung und Innovation verspricht die Verschmelzung von KI mit CNC-Operationen nicht nur schrittweise Verbesserungen, sondern auch eine grundlegende Umgestaltung der Fertigungslandschaft, wie wir sie kennen.

Überprüfen Sie die Methodik der Datenextraktion

Die Studie führt eine umfassende Überprüfung verschiedener ML- und KI-Anwendungen innerhalb von CNC-Bearbeitungsvorgängen durch und analysiert deren Auswirkungen auf die Ausgabequalität. Zu den Schwerpunkten gehören die Reduzierung von Maschinenstillstandszeiten, die Optimierung von CNC-Werkzeugmaschinen, die Vorhersage des Schneidwerkzeugverschleißes, die Modellierung von Schnittkräften, Wartungsstrategien, die Überwachung von Bearbeitungsvorgängen, die Vorhersage der Oberflächenqualität und Energievorhersagesysteme. Durch die Bewertung sowohl der Herausforderungen als auch der Vorteile dieser Methoden bei der Steigerung der CNC-Bearbeitungsproduktivität zielt die Überprüfung darauf ab, Lücken in der bestehenden Forschung aufzudecken. Darüber hinaus werden zukünftige Forschungsrichtungen vorgeschlagen, um die Anwendungen von ML und KI zur Steigerung der CNC-Bearbeitungseffizienz weiterzuentwickeln.

Reduzierte Ausfallzeiten von Werkzeugmaschinen

Geräteausfälle kommen in der Schifffahrt und in der Industrie häufig vor und beeinträchtigen die Produktionspläne und das Kapazitätsmanagement ^[31], ^[32]. Die jüngsten Fortschritte bei der vorausschauenden Wartung, die auf datengesteuerten Ansätzen basieren, zielen darauf ab, die Sicherheit, Zuverlässigkeit und Entscheidungsfindung in verschiedenen Branchen zu verbessern ^[33].

Faktoren wie schlechte Wartung, Teileausfälle und Schichtwechsel können zu Ausfallzeiten bei der Bearbeitung führen und die Effizienz der Teileproduktion beeinträchtigen ^[34]. Um dies zu mildern, überwachen Sensoren Standard-CNC-Bohr-, Dreh- und Fräskomponenten, prognostizieren Ausfälle von Werkzeugmaschinenteilen und verlängern deren Lebensdauer ^[35]. Sensorgestützte geplante Ausfallzeiten ermöglichen eine präzise Wartungsplanung und verlängern so die Lebensdauer von CNC-Werkzeugmaschinenkomponenten ^[36]. ML und KI interpretieren Daten und unterstützen Hersteller bei der Planung optimaler Ausfallzeiten und maximieren so die Effizienz ^[37]. Dieser effiziente Wartungsansatz, der durch ML und KI bei CNC-Bearbeitungsvorgängen erleichtert wird, spart Zeit, Geld und Ressourcen.

Optimierung von CNC-Werkzeugmaschinen

Im Zeitalter wachsender Datenmengen und komplexer Modelle wird die Optimierung von Bearbeitungsvorgängen immer wichtiger ^[38]. Eine schrittweise Optimierung ist in der gesamten Fertigung unerlässlich, von der Lieferkette bis zum fertigen Produkt. Die Optimierung des Betriebs von CNC-Werkzeugmaschinen ist von entscheidender Bedeutung für Kosteneinsparungen und eine höhere Rentabilität, was zu einer höheren Produktivität und weniger Bauteilfehlern führt ^[39]. Die Kinematik des Bewegungssystems wird eingesetzt, um optimale Bewegungs-Cueing-Algorithmen zu generieren und so die Leistung des Simulators zu verbessern ^[40]. Optimierungsprozesse für die Leistung von Werkzeugmaschinen und CNC-Bearbeitungsparameter sind entscheidend für die Verbesserung der Genauigkeit und Effizienz bei der Komponentenfertigung ^[41]. Mithilfe von Online-Daten automatisieren KI und ML die Optimierung und verbessern so die Genauigkeit der bearbeiteten Komponenten und die Produktivität bei der Teilefertigung ^[42]. Abb. 1 zeigt die Anwendung eines Multi-Objective-Evolutionsalgorithmus bei CNC-Bearbeitungsvorgängen ^[43].

Maschinelles Lernen hilft bei der Verbesserung der parallelen Metaheuristik bei CNC-Bearbeitungsvorgängen und steigert die Effizienz bei der Teileproduktion ^[44]. Die Anwendung von ML optimiert CNC-Werkzeugmaschinen, um die Komponentenproduktion zu stabilisieren und unerwartete Ausfälle zu mindern ^[45]. Reaktionsflächenmethoden und ML optimieren die Schnitteinstellungen für das Drehen von Ti-6Al-4V ^[46]. Die Nelder-Mead-Simplex-Methode, die maschinelles Lernen nutzt, optimiert Bearbeitungsvariablen bei Schaftfräsvorgängen ^[47]. Die Integration von ML und KI in CNC-Bearbeitungsvorgänge steigert die Produktivität durch die Ableitung optimierter Bearbeitungsparameter, die auf flexible Bedingungen und Werkstückparameter zugeschnitten sind.

Vorhersage des Verschleißes von Schneidwerkzeugen

Auf maschinellem Lernen basierende Technologien bieten fortschrittliche Werkzeuge zur Vorhersage des Werkzeugverschleißes und sind für die Handhabung komplexer Prozesse geeignet ^[48]. Künstliche neuronale Netze (ANNs) eignen sich aufgrund ihrer nichtlinearen Natur hervorragend zur Bewertung des Werkzeugverschleißes ^[48]. Moderne Sensoren und rechnerische Intelligenz erleichtern die Überwachung des Werkzeugzustands, was für die Verlängerung der Werkzeuglebensdauer während Bearbeitungsvorgängen von entscheidender Bedeutung ist. Der Bedarf an intelligenten autonomen Bearbeitungssystemen hat die Entwicklung der Überwachung des Zustands von Schneidwerkzeugen vorangetrieben ^[49]. Strategien zur Werkzeugzustandsüberwachung lassen sich typischerweise in zwei Kategorien einteilen: „Offline/Direkte Methoden“ und „Online/Indirekte Methoden“. ^[50], ^[51]. Adaptive Neuro-Fuzzy-Inferenzsysteme und Deep-Learning-Techniken, dargestellt in Abb. 2 und 3 ermöglichen eine genaue Überwachung und Vorhersage des Werkzeugverschleißes ^[52]^-.^[54].

Abb 2

Abb 3

Mithilfe von ML, Optimierungsalgorithmen und Schallwellensignalen maximieren Forscher die Lebensdauer von Schneidwerkzeugen während Bohrvorgängen ^[55], ^[56]. ML-basierte Ansätze verbessern die Genauigkeit der Werkzeugverschleißvorhersage, indem sie akustische Emissionssignale und vibrationsbasierte Netzwerke nutzen ^[57], ^[58]. Darüber hinaus optimieren ML-Modelle die Schnittbedingungen unter Berücksichtigung des Werkzeugverschleißverlaufs und der Materialeigenschaften ^[58], ^[59]. Durch die Integration von ML und KI in CNC-Bearbeitungsvorgänge können genaue Systeme zur Vorhersage des Werkzeugverschleißes die Bearbeitungseffizienz steigern, die Bauteilqualität sicherstellen und gleichzeitig Ausfallzeiten minimieren.

Vorhersage der Schnittkraft

Die Schnittkraft wirkt sich erheblich auf die Fräsproduktivität und -qualität aus und wird von ML-Systemen genau vorhergesagt ^[60]. Ein hybrider Ansatz, der maschinelles Lernen nutzt, modelliert gleichzeitig die Schnittkraft bei Fräsvorgängen ^[61]. Verschiedene ML-Algorithmen, darunter Support-Vektor-Regression, k-nächster Nachbar, Polynom-Regression und Random Forest, schätzen die Schnittkräfte bei Fräsvorgängen ^[62]. Beim Hochgeschwindigkeitsdrehen sagt ML Schnittkraft, Oberflächenrauheit und Werkzeugstandzeit voraus, um Vorhersagemodelle bereitzustellen ^[63]. Eine Hybridtechnik kombiniert ML mit linearer Regression, um die Schnittkräfte unter Berücksichtigung der Werkzeugverschleißbedingungen abzuschätzen ^[64]. Die Wavelet-Pakettransformationsanalyse entfernt Rauschen in Schnittkraftdaten für die Beurteilung der Oberflächentextur beim CNC-Drehen ^[65]. Ein neurophysikalischer Lernansatz verbessert die Vorhersagegenauigkeit in unterschiedlichen Schnittsituationen ^[66]. ML-kalibrierte intelligente Werkzeughalter messen die Schnittkraft und erhöhen so die Genauigkeit ^[67]. Echtzeitmessungen und CNNs kategorisieren den Online-Werkzeugverschleiß während der Trockenbearbeitung ^[68]. Neuronale Netze analysieren Signalspektren, um Schäden an Schneidwerkzeugen während der Bearbeitung zu ermitteln ^[69]. ML- und KI-Anwendungen entwickeln genaue und flexible Schnittkraftmodelle für verschiedene CNC-Bearbeitungsbedingungen.

Wartung von CNC-Werkzeugmaschinen

Die genaue Vorhersage des Wartungsbedarfs von CNC-Werkzeugmaschinen spart Zeit und Geld ^[70]. ML und KI verbessern die Vorhersage und vorbeugende Wartung, minimieren Ausfallzeiten und steigern die Produktivität ^[71]. ML sagt die optimalen Reparaturzeiten genau voraus und minimiert so die Wartungskosten ^[72]. Echtzeit-Datenrückmeldung macht Bediener auf Wartungsbedarf aufmerksam und sorgt so für einen stabilen Arbeitsablauf ^[73]. Hybride vorausschauende Wartung basierend auf der Digital-Twin-Technologie bietet genaue Vorhersagen ^[74]. ML bewertet Wartungsvorgänge, einschließlich der Überwachung des Werkzeugverschleißes. Die ML-gesteuerte Datenüberwachung bewertet den Zustand von CNC-Werkzeugmaschinen ^[75]. Die Überwachung des Werkzeugzustands steigert die Effizienz beim Schaftfräsen ^[76]. ML-Anwendungen optimieren die Wartung von CNC-Werkzeugmaschinen und sorgen für stabile Produktionsprozesse.

Überwachung der Bearbeitungsvorgänge

ML und KI steigern die Effizienz bei der Überwachung von CNC-Werkzeugmaschinen und sorgen für einen sicheren und zuverlässigen Betrieb ^[77]. Zustandsüberwachungssysteme sind für die Wartung und Sicherheit von CNC-Werkzeugmaschinen unerlässlich ^[78]. Eine cyber-physische Struktur sorgt für eine intelligente Überwachung von CNC-Schneidwerkzeugen ^[79]. Fortschrittliche Entscheidungsanwendungen überwachen die Leistung von CNC-Werkzeugmaschinen. ML untersucht den Einfluss von Prozessparametern auf die Ergebnisse bei Drehfräsvorgängen ^[80]. Die Sensorintegration verbessert die Bewegungsgenauigkeit der Stewart-Struktur ^[81]. Die adaptive Neuro-Fuzzy-Integration erkennt und verhindert Schneidwerkzeugfehler ^[82]. Virtuelle Realität und digitalisierte Zwillingssysteme überwachen Bearbeitungsprozesse ^[83]. Online-Überwachung optimiert CNC-Fräsvorgänge ^[84]. ML prognostiziert Rattern beim Hochgeschwindigkeitsfräsen zäher Materialien ^[85]. Auf ML-Techniken basierende Systeme zur Vorhersage des Werkzeugverschleißes verbessern die Lebensdauer von Schneidwerkzeugen ^[86]. ML-gesteuerte Optimierungsmethoden verbessern die Auswahl der CNC-Bearbeitungsparameter ^[87]. KI-Anwendungen verbessern die Genauigkeit der Werkzeugmaschinenüberwachung ^[88]. ML und KI verbessern die Überwachungs- und Entscheidungssysteme für Bearbeitungsdaten.

Vorhersage der Oberflächenqualität

Die Oberflächenrauheit ist für die Beurteilung der Produktqualität von entscheidender Bedeutung und kann mithilfe von ML genau vorhergesagt werden ^[89]. Neuronale Netze sagen die Oberflächengüte bearbeiteter Bauteile voraus ^[90]. ML-Algorithmen sagen die Oberflächenqualität voraus, einschließlich linearer Regression und Zufallsstruktur ^[91]. Datengesteuerte Ansätze prognostizieren Bearbeitungsgenauigkeit und Oberflächenqualität ^[92]. Deep Learning sagt die Oberflächenrauheit mithilfe der Vibrationssignalanalyse voraus ^[93]. ML verbessert die Genauigkeit der Oberflächenrauheitsvorhersage und optimiert Bearbeitungsprozesse ^[94]. Neuronale Netze sagen die Oberflächenrauheit bei der Bearbeitung von Aluminiumlegierungen voraus ^[95]. ML analysiert Schnittkräfte beim spiralförmigen Kugelfräsen und verbessert so die Genauigkeit [96]. Maschinennahe Oberflächenrauheitsmesssysteme sorgen für eine präzise Fertigung [97]. Sensorische Fräsmaschinen überwachen die Oberflächenrauheit in Echtzeit und verbessern so die Qualität [98]. Hybride ML-Methoden sagen den Zustand des Schneidwerkzeugs voraus und verbessern so die Standzeit des Werkzeugs ^[99]. Deep Learning erkennt Werkzeugverschleiß und verlängert so die Werkzeuglebensdauer ^[100]. ML-Modelle sagen die Oberflächenrauheit anhand von Schnittkräften und Werkzeugschwingungen voraus ^[101]. ML- und KI-Anwendungen verbessern die Vorhersage der Oberflächenqualität bei der CNC-Bearbeitung und steigern so die Produktivität.

Energievorhersagesysteme

ML-Techniken verbessern Modelle zur Vorhersage des Energieverbrauchs während Bearbeitungsvorgängen ^[102]. Das in Deep Learning eingebettete, halbüberwachte Lernen prognostiziert den Energieverbrauch genau ^[103]. KI- und ML-basierte Energiemanagementsysteme verbessern die Vorhersagegenauigkeit ^[104]. Genaue Energieverbrauchsprognosen unterstützen das schlanke Management des Energieverbrauchs von CNC-Werkzeugmaschinen ^[105]. Auf Deep Learning basierende Methoden prognostizieren den Energieverbrauch bei der Bearbeitung effizient ^[106]. Hybride Methoden schätzen die spezifische Schnittleistung während der CNC-Bearbeitung ^[107]. Die datengesteuerte Simulation prognostiziert den Energieverbrauch in fünfachsigen Prozessplanungsvorgängen ^[108]. ML prognostiziert den Energieverbrauch der Werkzeugmaschinenspindel und verbessert so die Fehlerdiagnose ^[109]. Integrierte Prozessplanung und Parameteroptimierung minimieren den Stromverbrauch bei der CNC-Bearbeitung ^[110]. Die Multi-Ziel-Optimierung berücksichtigt den Energieverbrauch für die hochwertige CNC-Drehbearbeitung ^[111]. ML- und KI-Anwendungen optimieren die Vorhersage des Energieverbrauchs und steigern so die Produktivität.

Schlussfolgerung

ML und KI revolutionieren industrielle Prozesse und verbessern die Effizienz und Genauigkeit von CNC-Bearbeitungsvorgängen. Die Anwendungen von ML, darunter die Reduzierung von Ausfallzeiten, die Optimierung von Werkzeugen, die Vorhersage von Werkzeugverschleiß und die Überwachung von Vorgängen, steigern die Produktivität bei der CNC-Bearbeitung. ML prognostiziert den Energieverbrauch während der Bearbeitung, was für eine nachhaltige Fertigung von entscheidender Bedeutung ist. ML- und KI-Fortschritte in der CNC-Bearbeitung verbessern die Teilequalität, reduzieren Abfall und verbessern so die schlanke Produktion. Zukünftige Forschung sollte sich auf virtuelle Bearbeitung, KI-gesteuerte Entscheidungsfindung und intelligente Fertigungssysteme konzentrieren. Sicherheitsverbesserungen in Netzwerken von CNC-Werkzeugmaschinen sind für einen sicheren Betrieb unerlässlich.

Zukünftige Forschungsrichtungen

Fortschrittliche Datenerfassung und ML-Techniken verbessern die Genauigkeit der Teileproduktion. Virtuelle Bearbeitungssysteme verbessern die Simulation von CNC-Werkzeugmaschinen. ML-gesteuerte Modifikationen optimieren Schneidwerkzeugwege und Werkstückhaltevorrichtungen. Deep-Learning-Netzwerke erhöhen die ML-Effektivität CNC-Bearbeitung. Die räumliche iterative Lernsteuerung verbessert die Bearbeitungsgenauigkeit. Optimierte Kollisionserkennungssysteme und Bedienschulungen verbessern die CNC-Bearbeitung. ML- und KI-Anwendungen machen Industrieroboter intelligenter und kollaborativer. Automatisierung verbessert die Effizienz der Teileproduktion. ML-basierte Cloud-Fertigung und Cyber-Physical-Systeme verbessern die CNC-Bearbeitung. KI-gesteuerte Entscheidungsfindung und Fuzzy-Logik verbessern Bearbeitungsprozesse. Diese zukünftigen Richtungen werden die Produktivität der Teilefertigung mithilfe von CNC-Bearbeitungsvorgängen steigern.

References:

[1] A. Keller, A. Kamath, U. Perera Zuverlässigkeitsanalyse von CNC-Werkzeugmaschinen Reliab. Eng., 3 (1982), S. 449–473
[2] AM Mamadjanov, SM Yusupov, S. Sadirov Vorteile und die Zukunft von CNC-Maschinen Sci. Progr., 2 (2021), S. 1638-1647
[3] Y. Ye, T. Hu, C. Zhang, W. Luo Design und Entwicklung einer Wissensdatenbank für CNC-Bearbeitungsprozesse mithilfe von Cloud-Technologie Int. J. Adv. Hersteller Technol., 94 (2018), S. 3413-3425
[4] G. Carleo, I. Cirac, K. Cranmer, L. Daudet, M. Schuld, N. Tishby, L. Vogt-Maranto, L. Zdeborová Maschinelles Lernen und Naturwissenschaften Rev. Mod. Phys., 91 (2019), Artikel 045002
[5] LC Moreira, W. Li, X. Lu, ME Fitzpatrick Supervision Controller für Echtzeit-Oberflächenqualitätssicherung bei der CNC-Bearbeitung mithilfe künstlicher Intelligenz Comput. Ind. Eng., 127 (2019), S. 158–168
[6] D.-.H. Kim, TJ Kim, X. Wang, M. Kim, Y.-.J. Quan, JW Oh, S.-.H. Min, H. Kim, B. Bhandari, I. Yang Intelligenter Bearbeitungsprozess mit maschinellem Lernen: ein Rückblick und eine Perspektive auf die Bearbeitungsindustrie Int. J. Precis. Ing. Manuf.-Green Technol., 5 (2018), S. 555-568
[7] ZM Çınar, A. Abdussalam Nuhu, Q. Zeeshan, O. Korhan, M. Asmael, B. Safaei Maschinelles Lernen in der vorausschauenden Wartung hin zu einer nachhaltigen intelligenten Fertigung in der Industrie 4.0
[8] P. Krishnakumar, K. Rameshkumar, K. Ramachandran Schallemissionsbasierte Werkzeugzustandsklassifizierung bei der Präzisions-Hochgeschwindigkeitsbearbeitung von Titanlegierungen: ein Ansatz des maschinellen Lernens
[9] S. Wan, D. Li, J. Gao, J. Li Ein wissensbasiertes Planungssystem für die Wartung von Werkzeugmaschinen, das fallbasierte Argumentationstechniken verwendet
[10] Z. Hussain, H. Jan Erstellung eines Simulationsmodells zur Optimierung der Effizienz von CNC-Maschinen unter Verwendung eines zuverlässigkeitsorientierten Wartungsansatzes Int. J. Modell., Simul., Sci. Comput., 10 (2019), Artikel 1950034
[11] V. Nasir, F. Sassani Ein Überblick über Deep Learning in der Bearbeitung und Werkzeugüberwachung: Methoden, Chancen und Herausforderungen Int. J. Adv. Hersteller Technol., 115 (2021), S. 2683-2709
[12] M. Bertolini, D. Mezzogori, M. Neroni, F. Zammori Maschinelles Lernen für industrielle Anwendungen: eine umfassende Literaturübersicht Expert Syst. Appl., 175 (2021), Artikel 114820
[13] J. Wang, Y. Ma, L. Zhang, RX Gao, D. Wu Deep Learning für intelligente Fertigung: Methoden und Anwendungen J. Manuf. Syst., 48 (2018), S. 144-156
[14] M. Soori, B. Arezoo, M. Habibi Genauigkeitsanalyse der Modellierung von Werkzeugablenkungsfehlern bei der Vorhersage gefräster Oberflächen durch ein virtuelles Bearbeitungssystem Int. J. Comput. Appl. Technol., 55 (2017), S. 308–321
[15] M. Soori, B. Arezoo, M. Habibi Virtuelle Bearbeitung unter Berücksichtigung von Maß-, Geometrie- und Werkzeugablenkungsfehlern in dreiachsigen CNC-Fräsmaschinen J. Manuf. Syst., 33 (2014), S. 498-507
[16] M. Soori, B. Arezoo, M. Habibi Maß- und Geometriefehler dreiachsiger CNC-Fräsmaschinen in einem virtuellen Bearbeitungssystem Comput. Aided Des., 45 (2013), S. 1306-1313
[17] M. Soori, B. Arezoo, M. Habibi Werkzeugablenkungsfehler von dreiachsigen computergesteuerten Fräsmaschinen, Überwachung und Minimierung durch ein virtuelles Bearbeitungssystem J. Manuf. Wissenschaft. Eng., 138 (2016)
[18] M. Soori, M. Asmael, D. Solyalı Jüngste Entwicklung im Reibrührschweißverfahren: ein Rückblick SAE Int. J. Mater. Hersteller (2020), S. 18
[19] M. Soori, M. Asmael Virtuelle Minimierung von Eigenspannungen und Durchbiegungsfehlern beim Fünf-Achsen-Fräsen von Turbinenschaufeln Strojniski Vestnik/J. Mech. Eng., 67 (2021), S. 235-244
[20] M. Soori, M. Asmael Schnitttemperaturen beim Fräsen schwer zu schneidender Materialien J. New Technol. Mater., 11 (2021), S. 47-56
[21] M. Soori, M. Asmael, A. Khan, N. Farouk Minimierung der Oberflächenrauheit beim 5-Achsen-Fräsen von Turbinenschaufeln Mech. Basierend auf Des. Struktur. Mach. (2021), S. 1-18
[22] M. Soori, M. Asmael Minimierung des Ablenkungsfehlers beim Fünf-Achsen-Fräsen von Laufradschaufeln Facta Universitatis, Ser.: Mech. Ing. (2021)
[23] M. Soori, B. Arezoo Ein Überblick über bearbeitungsbedingte Eigenspannungen J. New Technol. Mater., 12 (2022), S. 64-83
[24] M. Soori, B. Arezoo Minimierung der Oberflächenrauheit und Eigenspannung bei Schleifvorgängen von Inconel 718 J. Mater. Ing. Ausführen. (2022), S. 1-10
[25] M. Soori, B. Arezoo Vorhersage des Verschleißes von Schneidwerkzeugen bei Bearbeitungsvorgängen, eine Übersicht J. New Technol. Mater., 12 (2022), S. 15-26
[26] R. Dastres, M. Soori, M. Asmael Radio Frequency Identification (RFID) basierte drahtlose Fertigungssysteme, eine Rezension von Independent J. Manage. Prod., 13 (2022), S. 258–290
[27] R. Dastres, M. Soori Fortschritte in webbasierten Entscheidungsunterstützungssystemen Int. J. Eng. Future Technol., 19 (2021), S. 1-15
[28] R. Dastres, M. Soori Künstliche neuronale Netzwerksysteme Int. J. Bildgebungsroboter. (IJIR), 21 (2021), S. 13-25
[29] R. Dastres, M. Soori Die Rolle der Informations- und Kommunikationstechnologie (IKT) im Umweltschutz Int. J. Tomogr. Simul., 35 (2021), S. 24-37
[30] R. Dastres, M. Soori Sichere Socket-Schicht in der Netzwerk- und Websicherheit Int. J. Comput. Inf. Eng., 14 (2020), S. 330-333
[31] [31]M. Zhang, A. Matta Modelle und Algorithmen für das Durchsatzverbesserungsproblem von Serienproduktionslinien durch Ausfallzeitreduzierung IISE Trans., 52 (2020), S. 1189-1203
[32] [32]R. Wolniak Ausfallzeiten im Produktionsprozess der Automobilindustrie – Ursachenanalyse Qual. Innov. Prosperity, 23 (2019), S. 101-118
[33] Y. Wen, MF Rahman, H
[34] P. Ong, WK Lee, RJH Lau Werkzeugzustandsüberwachung beim CNC-Schaftfräsen mithilfe eines neuronalen Wavelet-Netzwerks basierend auf maschinellem Sehen Int. J. Adv. Hersteller Technol., 104 (2019), S. 1369–1379
[35] N. Ahmed, A. Day, J. Victory, L. Zeall, B. Young Zustandsüberwachung im Wartungsmanagement in einer großen Präzisions-CNC-Bearbeitungsanlage 2012 IEEE International Conference on Condition Monitoring and Diagnosis, IEEE (2012) , S. 842-845
[36] P. BA, S. PN, S. PM Shopfloor-to-Cloud-Verbindung zur Live-Überwachung der Produktionsdaten von CNC-Maschinen Int. J. Comput. Integr. Manuf., 33 (2020), S. 142-158
[37] K. Vijayakumar Computational Intelligence, Machine Learning-Techniken und IOT SAGE Publications Sage UK, London, England (2021), S. 3-5
[38] S. Sun, Z. Cao, H. Zhu, J. Zhao Ein Überblick über Optimierungsmethoden aus der Perspektive des maschinellen Lernens IEEE Trans. Cybern., 50 (2019), S. 3668-3681
[39] Y. Wu, N. Yue, K. Qian Leistungsoptimierung von CNC-Werkzeugmaschinensystemen basierend auf Sensordaten Sci. Programm. (2022), S. 2022
[40] M. Aminzadeh, A. Mahmoodi, M. Sabzehparvar Optimaler Motion-Cueing-Algorithmus unter Verwendung der Bewegungssystemkinematik Eur. J. Control, 18 (2012), S. 363–375
[41] N. Sharma, V. Chawla, N. Ram Vergleich von Algorithmen für maschinelles Lernen für die automatische Programmierung numerischer Computersteuerungsmaschinen Int. J. Data Network Sci., 4 (2020), S. 1-14
[42] M.-.A. Dittrich, F. Uhlich, B. Denkena Selbstoptimierende Werkzeugweggenerierung für 5-Achs-BearbeitungsprozesseCIRP J. Manuf. Wissenschaft. Technol., 24 (2019), S. 49-54
[43] T. Ghosh, K. Martinsen Verallgemeinerter Ansatz zur Multi-Response-Bearbeitungsprozessoptimierung unter Verwendung von maschinellem Lernen und evolutionären Algorithmen Eng. Wissenschaft. Technol., Int. J., 23 (2020), S. 650-663
[44] WT de Sousa Junior, JAB Montevechi, R. de Carvalho Miranda, MLM de Oliveira, AT Campos Optimierung der Fertigungssimulation mithilfe von maschinellem Lernen zur Verbesserung paralleler Metaheuristiken Expert Syst. Appl., 150 (2020), Artikel 113272
[45] W. Luo, T. Hu, C. Zhang, Y. Wei Digitaler Zwilling für CNC-Werkzeugmaschinen: Modellierung und Einsatzstrategie J. Ambient Intell. Humaniz. Comput., 10 (2019), S. 1129–1140
[46] MS Surya, G. Prasanthi, AK Kumar, V. Sridhar, S. Gugulothu Optimierung der Schnittparameter beim Drehen von Ti-6Al-4V mithilfe der Response-Surface-Methode und der Technik des maschinellen Lernens Int. J. Interagieren. Des. Hersteller (IJIDeM), 15 (2021), S. 453-462
[47] Y. Lee, A. Resiga, S. Yi, C. Wern Die Optimierung der Bearbeitungsparameter für Fräsoperationen unter Verwendung der Nelder-Mead-Simplex-Methode J. Manuf. Mater. Process., 4 (2020), p. 66
[48] DY Pimenov, A. Bustillo, S. Wojciechowski, VS Sharma, MK Gupta, M. Kuntoğlu Künstliche Intelligenzsysteme zur Werkzeugzustandsüberwachung in der Bearbeitung: Analyse und kritische Überprüfung J. Intell. Hersteller (2022), S. 1-43
[49] S. Ravikumar, K. Ramachandran Werkzeugverschleißüberwachung von Mehrpunkt-Schneidwerkzeugen mithilfe von Tonsignalen, Signalfunktionen und maschinellen Lerntechniken Mater. Heute: Proc., 5 (2018), S. 25720-25729
[50] V. Parwal, B. Rout Auf maschinellem Lernen basierender Ansatz zur Prozessüberwachung zur Vorhersage des Werkzeugverschleißes während der Bearbeitung Procedia CIRP, 98 (2021), S. 133-138
[51] PJ Bagga, MA Makhesana, AD Pala, KC Chauhan, KM Patel, Ein neuartiger, auf Computer Vision basierender Ansatz für maschinelles Lernen zur Online-Überwachung des Werkzeugverschleißes in der Bearbeitung, (2021).
[52] M. Rizal, JA Ghani, MZ Nuawi, CHC Haron Online-Werkzeugverschleißvorhersagesystem im Drehprozess unter Verwendung eines adaptiven Neuro-Fuzzy-Inferenzsystems Appl. Soft Comput., 13 (2013), S. 1960-1968
[53] X. Zhang, C. Han, M. Luo, D. Zhang Werkzeugverschleißüberwachung beim Fräsen komplexer Teile basierend auf Deep Learning Appl. Sci., 10 (2020), p. 6916
[54] X. Wu, Y. Liu, X. Zhou, A. Mou Automatische Identifizierung des Werkzeugverschleißes basierend auf einem Faltungs-Neuronalen Netzwerk im Planfräsprozess Sensors, 19 (2019), p. 3817
[55] LH Saw, LW Ho, MC Yew, F. Yusof, NA Pambudi, TC Ng, MK Yew Sensitivitätsanalyse des Bohrerverschleißes und Optimierung mithilfe der adaptiven neuro-fuzzy-genetischen Algorithmustechnik für eine nachhaltige Bearbeitung J. Clean. Prod., 172 (2018), S. 3289–3298
[56] A. Kothuru, SP Nooka, R. Liu Anwendung akustischer Schallsignale zur Werkzeugverschleißüberwachung mithilfe maschineller Lerntechniken beim Schaftfräsen Int. J. Adv. Hersteller Technol., 95 (2018), S. 3797-3808
[57] AD Patange, R. Jegadeeshwaran Ein maschineller Lernansatz für vibrationsbasierte Multipoint-Werkzeugeinsatzzustandsvorhersage auf vertikalen Bearbeitungszentren (VMC) Measurement, 173 (2021), Artikel 108649
[58] R. Liu, A. Kothuru, S. Zhang Kalibrierungsbasierte Werkzeugzustandsüberwachung für sich wiederholende Bearbeitungsvorgänge J. Manuf. Syst., 54 (2020), S. 285-293
[59] A. Bustillo, DY Pimenov, M. Mia, W. Kapłonek Maschinelles Lernen zur automatischen Vorhersage von Ebenheitsabweichungen unter Berücksichtigung des Verschleißes der Planfräszähne J. Intell. Manuf., 32 (2021), S. 895-912
[60] VF Sousa, FJ Silva, JS Fecheira, HM Lopes, RP Martinho, RB Casais, LP Ferreira Schnittkräftebewertung in CNC-Bearbeitungsprozessen: eine kritische Überprüfung Sensors, 20 (2020), p. 4536
[61] S. Vaishnav, A. Agarwal, K. Desai Auf maschinellem Lernen basierendes Modell der momentanen Schnittkraft für Schaftfräsvorgänge J. Intell. Manuf., 31 (2020), S. 1353-1366
[62] P. Charalampous Vorhersage der Schnittkräfte beim Fräsen mithilfe von Algorithmen für maschinelles Lernen und Finite-Elemente-Analyse J. Mater. Ing. Perform., 30 (2021), S. 2002-2013
[63] Y. Zhang, X. Xu Maschinelles Lernen Schnittkraft, Oberflächenrauheit und Werkzeugstandzeit bei Hochgeschwindigkeitsdrehprozessen Hersteller. Lett., 29 (2021), S. 84-89
[64] B. Peng, T. Bergs, D. Schraknepper, F. Klocke, B. Döbbeler Ein hybrider Ansatz mit maschinellem Lernen zur Vorhersage der Schnittkräfte unter Berücksichtigung des Werkzeugverschleißes Procedia CIRP, 82 (2019), S. 302-307
[65] EG Plaza, PN López Analyse von Schnittkraftsignalen durch Wavelet-Pakettransformation zur Überwachung der Oberflächenrauheit beim CNC-Drehen Mech. Syst. Signal Process., 98 (2018), S. 634-651
[66] K. Syst., 61 (2021), S. 1-15
[67] L.-.W. Tseng, T.-.S. Hu, Y.-.C. Hu Ein durch maschinelles Lernen kalibrierter intelligenter Werkzeughalter zur Messung der Schnittkraft beim Feindrehen und seine Anwendung auf die spezifische Schnittkraft von kohlenstoffarmem Stahl S15C Machines, 9 (2021), S. 190
[68] G. Terrazas, G. Martínez-Arellano, P. Benardos, S. Ratchev Online-Klassifizierung des Werkzeugverschleißes während der Trockenbearbeitung unter Verwendung von Echtzeit-Schnittkraftmessungen und einem CNN-Ansatz J. Manuf. Mater. Process., 2 (2018), p. 72
[69] G. Kucukyildiz, HG Demir Ein mehrstufiger Algorithmus zur Fehlerdiagnose von Schneidwerkzeugen für den Evolventenformschneider unter Verwendung von Schnittkraft- und Vibrationssignalen, Spektrum-Bildgebung und Faltungs-Neuronalen Netzen Arabisch. J. Sci. Eng., 46 (2021), S. 11819-11833
[70] A. Jimenez-Cortadi, I. Irigoien, F. Boto, B. Sierra, G. Rodriguez Vorausschauende Wartung des Bearbeitungsprozesses und der Werkzeugmaschine Appl. Sci., 10 (2019), p. 224
[71] B. Luo, H. Wang, H. Liu, B. Li, F. Peng Frühzeitige Fehlererkennung von Werkzeugmaschinen basierend auf Deep Learning und dynamischer Identifikation IEEE Trans. Ind. Electron., 66 (2018), S. 509–518
[72] E. Traini, G. Bruno, G. D'antonio, F. Lombardi Framework für maschinelles Lernen für vorausschauende Wartung in der Mühlenindustrie IFAC-PapersOnLine, 52 (2019), S. 177-182
[73] J. Diaz-Rozo, C. Bielza, P. Larrañaga Auf maschinellem Lernen basierendes CPS zur Clusterung von Bearbeitungszyklusbedingungen mit hohem Durchsatz Procedia Manuf., 10 (2017), S. 997–1008
[74] W. Luo, T. Hu, Y. Ye, C. Zhang, Y. Wei Ein hybrider Ansatz zur vorausschauenden Wartung für CNC-Werkzeugmaschinen, angetrieben durch Digital Twin Robot Comput. Integr. Manuf., 65 (2020), Artikel 101974
[75] J. Moore, J. Stammers, J. Dominguez-Caballero Die Anwendung von maschinellem Lernen auf Sensorsignale zur Beurteilung des Zustands von Werkzeugmaschinen und Prozessen Proc. Inst. Mech. Ing. Teil B J. Eng. Manuf., 235 (2021), S. 1543-1557
[76] T. Mohanraj, J. Yerchuru, H. Krishnan, RN Aravind, R. Yameni Entwicklung eines Werkzeugzustandsüberwachungssystems im Schaftfräsprozess unter Verwendung von Wavelet-Funktionen und Hoelder-Exponenten mit maschinellen Lernalgorithmen Measurement, 173 (2021), Artikel 108671
[77] AD Patange, R. Jegadeeshwaran Rezension zur Werkzeugzustandsklassifizierung beim Fräsen: ein Ansatz des maschinellen Lernens Mater. Heute: Proc., 46 (2021), S. 1106-1115
[78] D. Goyal, C. Mongia, S. Sehgal Anwendungen der digitalen Signalverarbeitung bei der Überwachung von Bearbeitungsprozessen und rotierenden Komponenten: eine Rezension IEEE Sens. J., 21 (2021), S. 8780-8804
[79] K. Zhu, Y. Zhang Ein cyber-physisches Produktionssystem-Framework eines intelligenten CNC-Bearbeitungsüberwachungssystems IEEE/ASME Trans. Mechatron., 23 (2018), S. 2579-2586
[80] C. Ratnam, KA Vikram, B. Ben, B. Murthy Prozessüberwachung und Auswirkungen von Prozessparametern auf Reaktionen bei Drehfräsvorgängen basierend auf SN-Verhältnis und ANOVA-Messung, 94 (2016), S. 221–232
[81] S. Wang, S. To, CF Cheung Einfluss des Werkstückmaterials auf die Oberflächenrauheit beim Ultrapräzisions-Rasterfräsen Mater. Hersteller Process., 27 (2012), S. 1022-1028
[82] S. Jovic, O. Anicic, M. Jovanovic Adaptive Neuro-Fuzzy-Fusion von Multisensordaten zur Überwachung der CNC-Bearbeitung Sensor Rev. (2017)
[83] S. Liu, S. Lu, J. Li, X. Sun, Y. Lu, J. Bao Bearbeitungsprozessorientierte Überwachungsmethode basierend auf digitalem Zwilling über Augmented Reality Int. J. Adv. Hersteller Technol., 113 (2021), S. 3491-3508
[84] I. Daniyan, I. Tlhabadira, O. Daramola, K. Mpofu Design und Optimierung von Bearbeitungsparametern für eine effektive AISI P20-Abtragsrate während des Fräsvorgangs Procedia CIRP, 84 (2019), S. 861-867
[85] K. Zacharia, P. Krishnakumar Chatter-Vorhersage bei der Hochgeschwindigkeitsbearbeitung von Titanlegierungen (Ti-6Al-4V) mithilfe maschineller Lerntechniken Mater. Heute: Proc., 24 (2020), S. 350-358
[86] A. Gouarir, G. Martínez-Arellano, G. Terrazas, P. Benardos, S. Ratchev In-Prozess-Tool-Verschleiß-Vorhersagesystem basierend auf maschinellen Lerntechniken und Kraftanalyse Procedia CIRP, 77 (2018), S. 501-504
[87] E. Hazir, T. Ozcan Antwortoberflächenmethodik integriert mit Erwünschtheitsfunktion und genetischem Algorithmusansatz zur Optimierung von CNC-Bearbeitungsparametern Arabisch. J. Sci. Eng., 44 (2019), S. 2795-2809
[88] K. Martinsen, J. Downey, I. BaturynskaMensch-Maschine-Schnittstelle für die Prozessüberwachung von Werkzeugmaschinen auf Basis künstlicher neuronaler Netze Procedia CIRP, 41 (2016), S. 933–938
[89] J. Verma, P. Agrawal, L. Bajpai Optimierung der Drehparameter für die Oberflächenrauheit von legiertem Stahl ASTM A242 Typ 1 nach der Taguchi-Methode Int. J. Adv. Ing. Technol., 3 (2012), p. 255
[90] CH. Chen, S.-.Y. Jeng, C.-.J. Lin Vorhersage und Analyse der Oberflächenrauheit beim CNC-Schaftfräsen mithilfe neuronaler Netze Appl. Sci., 12 (2021), p. 393
[91] W. Zhang Vorhersage der Oberflächenrauheit mit maschinellem Lernen J. Phys.: Conf. Ser. (2021), Artikel 012040
[92] H.-.W. Chiu, C.-.H. Lee Vorhersage der Bearbeitungsgenauigkeit und Oberflächenqualität für CNC-Werkzeugmaschinen mithilfe eines datengesteuerten Ansatzes Adv. Ing. Software, 114 (2017), S. 246–257
[93] W J. Lin, S.-.H. Lo, H.-.T. Young, C.-.L. Hung Evaluierung von Deep-Learning-Neuronalen Netzen zur Vorhersage der Oberflächenrauheit mithilfe der Vibrationssignalanalyse Appl. Sci., 9 (2019), p. 1462
[94] DY Pimenov, A. Bustillo, T. Mikolajczyk Künstliche Intelligenz zur automatischen Vorhersage der erforderlichen Oberflächenrauheit durch Überwachung des Verschleißes an Planfräszähnen J. Intell. Manuf., 29 (2018), S. 1045-1061
[95] N. Fang, PS Pai, N. Edwards Modellierung neuronaler Netzwerke und Vorhersage der Oberflächenrauheit bei der Bearbeitung von Aluminiumlegierungen J. Comput. Commun., 4 (2016), S. 1-9
[96] AN Balasubramanian, N. Yadav, A. Tiwari Analyse der Schnittkräfte beim Spiralkugelfräsen mithilfe maschinellen Lernens Mater. Heute: Proc., 46 (2021), S. 9275-9280
[97] W. Gao, H. Haitjema, F. Fang, R. Leach, C. Cheung, E. Savio, J.-.M. Linares On-Machine- und In-Process-Oberflächenmesstechnik für die Präzisionsfertigung CIRP Ann., 68 (2019), S. 843-866
[98] H.-.C. Möhring, S. Eschelbacher, P. Georgi Ansätze des maschinellen Lernens zur Echtzeitüberwachung und Bewertung der Oberflächenrauheit mithilfe eines sensorischen Fräswerkzeugs Procedia CIRP, 102 (2021), S. 264-269
[99] P. Wang, Z. Liu, RX Gao, Y. Guo Heterogenes datengesteuertes hybrides maschinelles Lernen für die Werkzeugzustandsprognose CIRP Ann., 68 (2019), S. 455–458
[100] X. Artikel 177
[101] Y. Chen, R. Sun, Y. Gao, J. Leopold Ein verschachteltes ANN-Vorhersagemodell für die Oberflächenrauheit unter Berücksichtigung der Auswirkungen von Schnittkräften und Werkzeugvibrationen. Measurement, 98 (2017), S. 25–34
[102] MKM Shapi, NA Ramli, LJ Awalin Energieverbrauchsvorhersage durch den Einsatz von maschinellem Lernen für intelligente Gebäude: Fallstudie in Malaysia Dev. Built Environ., 5 (2021), Artikel 100037
[103] C. Chen, Y. Liu, M. Kumar, J. Qin, Y. Ren Energieverbrauchsmodellierung mithilfe von Deep Learning, eingebettetem halbüberwachtem Lernen Comput. Ind. Eng., 135 (2019), S. 757–765
[104] PW Khan, Y. Kim, Y.-.C. Byun, S.-.J. Lee Einflussfaktoren Bewertung der auf maschinellem Lernen basierenden Energieverbrauchsvorhersage Energies, 14 (2021), p. 7167
[105] J. Cao, X. Xia, L. Wang, Z. Zhang, 13
[106] Y. He, P. Wu, Y. Li, Y. Wang, F. Tao, Y. Wang Ein generisches Energievorhersagemodell von Werkzeugmaschinen unter Verwendung von Deep-Learning-Algorithmen Appl. Energie, 275 (2020), Artikel 115402
[107] Z. Liu, Y. Guo Ein hybrider Ansatz zur Integration von maschinellem Lernen und Prozessmechanik zur Vorhersage der spezifischen Schneidenergie CIRP Ann., 67 (2018), S. 57-60
[108] V. Vishnu, KG Varghese, B. Gurumoorthy Energievorhersage in der Prozessplanung der Fünf-Achsen-Bearbeitung durch datengesteuerte Modellierung Procedia CIRP, 93 (2020), S. 862-867
[109] WH Choi, J. Kim, JY Lee Entwicklung von Fehlerdiagnosemodellen basierend auf der Vorhersage des Energieverbrauchs einer Werkzeugmaschinenspindel Procedia Manuf., 51 (2020), S. 353-358
[110] L. Li, C. Li, Y. Tang, L. Li Ein integrierter Ansatz der Prozessplanung und Schnittparameteroptimierung für energiebewusste CNC-Bearbeitung J. Clean. Prod., 162 (2017), S. 458-473
[111] S. Jia, S. Wang, J. Lv, W. Cai, N. Zhang, Z. Zhang, S. Bai Multiobjektive Optimierung von CNC-Drehprozessparametern unter Berücksichtigung des transient-stationären Energieverbrauchs Nachhaltigkeit, 13 (2021) , P. 13803

Ein Überblick über Anwendungen von maschinellem Lernen und künstlicher Intelligenz in CNC-Werkzeugmaschinen by fähige Bearbeitung wird darunter genehmigt CC BY-NC 4.0