System for Rotary-Axis Diagnostics in Five-Axis CNC Machining Centers
Artykuł w czasopiśmie
MNiSW
40
Lista 2024
| Status: | |
| Autorzy: | Barszcz Marcin, Józwik Jerzy, Tomiło Paweł, Sałamacha Daria, Dziedzic Krzysztof, Wiśniewski Tomasz |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2026 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 10 |
| Strony: | 9534 - 9539 |
| Impact Factor: | 0,6 |
| Web of Science® Times Cited: | 0 |
| Scopus® Cytowania: | 0 |
| Bazy: | Web of Science | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Otwarte czasopismo |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 1 października 2026 |
| Abstrakty: | angielski |
| Five-axis CNC machine tools are indispensable for manufacturing parts with complex geometry, yet the conversion of raw kinematic measurements into reliable maintenance knowledge is still often fragmented and manual. This article presents a Python-based monitoring environment that reads R-Test export files, invokes one of three selectable machine-learning models – Multilayer Perceptron (MLP), Kolmogorov-Arnold Network (KAN), or Multi-Output Gaussian Process (MOGP) – and automatically produces bilingual diagnostic PDF reports. A heuristic rule layer interprets displacement trajectories and assigns probable fault categories based on signal signatures, without relying on labelled fault datasets. Validation on 1568 R-Test records from two five-axis milling machines shows that MOGP remains the most accurate inference backend. The main contribution of the paper is the integration of data ingestion, inference, heuristic interpretation, visual analytics, and report generation into a deployable condition-monitoring platform rather than a standalone model-benchmarking study. |
