Integrating Sensor Systems and Signal Processing for Sustainable Production: Analysis of Cutting Tool Condition
Artykuł w czasopiśmie
MNiSW
100
Lista 2024
| Status: | |
| Autorzy: | Kozłowski Edward, Antosz Katarzyna, Sęp Jarosław, Prucnal Sławomir |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2024 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 1 |
| Wolumen/Tom: | 13 |
| Numer artykułu: | 185 |
| Strony: | 1 - 20 |
| Web of Science® Times Cited: | 1 |
| Scopus® Cytowania: | 0 |
| Bazy: | Web of Science | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 31 grudnia 2023 |
| Abstrakty: | angielski |
| This research focuses on the crucial role of monitoring tool conditions in milling to improve workpiece quality, increase production efficiency, and reduce costs and environmental impact. The goal was to develop predictive models for detecting tool condition changes. Data from a sensor-equipped research setup were used for signal analysis during different machining stages. The study applied logistic regression and a gradient boosting classifier for material layer identification, with the latter achieving an impressive 97.46% accuracy. Additionally, the effectiveness of the classifiers was further confirmed through the analysis of ROC (Receiver Operating Characteristic) curves and AUC (Area Under the Curve) values, demonstrating their high quality and precise identification capabilities. These findings support the classifiers’ utility in predicting the condition of cutting tools, potentially reducing raw material consumption and environmental impact, thus promoting sustainable production practices. |
