Predicting the sparks occurrence in electrochemical discharge machining by machine learning using convolutional neural networks
Predicting the sparks occurrence in electrochemical discharge machining by machine learning using convolutional neural networks
复制标题
使用卷积神经网络通过机器学习预测电化学放电加工中火花的发生
DOI：
10.1016/j.procir.2022.09.195
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Sundaram, Murali
中科院分区：
文献类型：
--
作者：
Kale, Abhishek;Chen, Yu-Jen;Sundaram, Murali
研究了利用卷积神经网络(CNN)对电火花放电加工(ECDM)过程的高速视频信号进行识别的方法。视觉数据用于监测电解液中的火花活动。对光学数据中火花的识别可能会改善ECDM中材料去除的预测，因为大部分加工都是由火花引起的。海量的数据集是逐帧研究光学数据的一个挑战。这项研究中的CNN模型根据图像馈送的顺序生成了火花存在的时间序列。这项研究中基于CNN的机器学习模型被发现比人工标记图像更一致。该模型用于分析图像数据，预测火花的存在，准确率达到95%以上。
This study investigates the use of convolutional neural networks (CNNs) to define sparks from the high-speed video feed of the electrochemical discharge machining (ECDM) process. The visual data is used to monitor the spark activity in the electrolyte. The recognition of the sparks in optical data can potentially improve the prediction of material removal in ECDM since the majority of machining is caused by the sparking. The massive dataset size is a challenge to study the optical data frame by frame. The CNN model in this study generated a time series for the presence of sparks based on the image feed in sequential order. The CNN based machine learning model in this study is found to be more consistent than the manual labeling of the images. This model is used to analyze the image data and predict the presence of the sparks over 95% accuracy.
减缓玻璃电化学放电加工表面损伤的实验研究
DOI：
10.1016/j.procir.2020.02.257
发表时间：
2020
期刊：
Procedia CIRP
影响因子：
--
作者：
Chen, Yu-Jen;Sundaram, Murali
通讯作者：
Sundaram, Murali
微电化学放电加工中电解质浓度对表面完整性影响的研究
DOI：
10.1016/j.procir.2016.02.146
发表时间：
2016
期刊：
Procedia CIRP
影响因子：
--
作者：
Ketaki Rajendra Kolhekar;M. Sundaram
通讯作者：
M. Sundaram