面向在线刀具状态监测的元认知学习方法
人工智能
2018-02-06 v1
摘要
随着制造过程日益自动化，刀具状态监测（TCM）也应如此，因为由人工持续监控刀具状态是不切实际的。刀具状态对于确保产品良好质量至关重要：磨损的刀具不仅影响表面质量，还影响尺寸精度，这意味着产品的更高拒收率。因此，迫切需要在刀具故障发生前实时识别。尽管已提出各种智能刀具状态监测版本，但它们大多受限于传统机器学习算法的认知性质。它们聚焦于“如何学习”过程，而忽视另外两个关键问题：“学习什么”和“何时学习”。“学习什么”和“何时学习”提供了自我调节机制，以选择训练样本并确定训练模型的时间瞬间。提出了一种基于心理学上合理的概念即元认知脚手架理论的新型刀具状态监测方法，并构建于最近发布的算法递归分类器（rClass）之上。学习过程包含三个阶段：学习什么、如何学习、何时学习，并利用广义递归网络结构作为认知组件。利用真实制造数据流进行了实验研究，其中rClass在其同类方法中展现出最高精度，同时保持了最低复杂度。
引用
@article{arxiv.1705.02477,
title = {Metacognitive Learning Approach for Online Tool Condition Monitoring},
author = {Mahardhika Pratama and Eric Dimla and Chow Yin Lai and Edwin Lughofer},
journal= {arXiv preprint arXiv:1705.02477},
year = {2018}
}