Development of an SVM model for predictive maintenance of metal-cutting equipment

Cover Page

Cite item

Full Text

Abstract

This article is devoted to the development of a machine learning model for optimizing cutting tool maintenance using the support vector machines (SVM). The paper considers the main stages of creating a multiclass classification model from pre-processing of raw signals to selection of hyperparameters. The choice of the algorithm is determined by computational efficiency, as well as the possibility of working with data with nonlinear structure. As a result of testing the model, the average accuracy reached 81%. The obtained results demonstrate that the algorithm based on the method of support vectors can handle the task in conditions of limited computational power.

About the authors

N. G. Javadov

National Aerospace Agency

Email: cavadov-natiq@mail.ru
Professor. Doctor of Technical Sciences Baku, Azerbaijan

A. M. Amirov

National Aerospace Agency

Email: ali.amirov@mail.com
Candidate of Technical Sciences Baku, Azerbaijan

V. M. Ismayilov

National Aerospace Agency

Email: ismailovvugar99@gmail.com
Baku, Azerbaijan

References

  1. Javadov N.G., Amirov A.M., Ismayilov V.M. 2024. Tehnicheskie aspekty sozdanija sistemy monitoringa metallorezhushhego oborudovanija s primeneniem mashinnogo obuchenija. Vestnik komp'juternyh i informacionnyh tehnologij 21(10):10–16. doi: 10.14489/vkit.2024.10.pp.010-016.
  2. Montero Jimenez J.J., Schwartz S., Vingerhoeds R., et al. Towards multi-model approaches to predictive maintenance: A systematic literature survey on diagnostics and prognostics // Journal of Manufacturing Systems. 2020. Vol. 56. P. 539–557. doi: 10.1016/j.jmsy.2020.04.012.
  3. Fahle S., Prinz C., Kuhlenkötter B. Systematic review on machine learning (ML) methods for manufacturing processes – Identifying artificial intelligence (AI) methods for field application // Procedia CIRP. 2020. Vol. 93. P. 413–418. doi: 10.1016/j.procir.2020.04.109.
  4. Montero Jimenez J.J., Schwartz S., Vingerhoeds R., Grabot B., Salaün M. Towards multi-model approaches to predictive maintenance: A systematic literature survey on diagnostics and prognostics // Journal of Manufacturing Systems. 2020. Vol. 56. P. 539–557. doi: 10.1016/j.jmsy.2020.04.012.
  5. Çınar Z.M., Nuhu A.A., Zeeshan Q., Korhan O., Asmael M., Safaei B. Machine learning in predictive maintenance towards sustainable smart manufacturing in Industry 4.0 // Sustainability. 2020. Vol. 12, No. 19. P. 8211. doi: 10.3390/su12198211.
  6. Krupitzer C., Wagenhals T., Züfle M., Lesch V., Schäfer D., Mozaffarin A., Edinger J., Becker C., Kounev S. A survey on predictive maintenance for Industry 4.0 // arXiv preprint. 2020. arXiv:2002.08224. doi: 10.48550/arXiv.2002.08224. URL: https://doi.org/10.48550/arXiv.2002.08224
  7. Munaro R., Attanasio A., Del Prete A. Tool wear monitoring with artificial intelligence methods: A review // Journal of Manufacturing and Materials Processing. 2023. Vol. 7, No. 4. P. 129. doi: 10.3390/jmmp7040129.
  8. James G., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning, With Applications in Python. 2nd ed. New York: Springer, 2023. 597 p.
  9. Vapnik V.N. The Nature of Statistical Learning Theory. New York: Springer, 2000. 314 p.
  10. Agogino A, Goebel K. Milling Data Set. 2007. doi:http://ti.arc.nasa.gov/project/prognostic-data-repository.

Supplementary files

Supplementary Files
Action
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».