PMI-DT：利用数字孪生和机器学习进行制造中的预测建模与检测
计算工程、金融与科学
2024-11-05 v1
摘要
多年来，数字孪生（DT）因其提高生产效率和质量的能力而在先进制造（AM）中广受欢迎。通过创建物理资产的虚拟副本，DT有助于实时监控、开发预测模型并改善运营性能。然而，将来自物理系统的数据集成到可靠的预测模型中，特别是在精密测量和故障预防方面，往往具有挑战性且较少被探索。本研究引入了一个预测维护与检测数字孪生（PMI-DT）框架，重点关注精密测量和预测质量保证，使用了3D打印的1''-4 ACME螺栓、CyberGage 360视觉检测系统、SolidWorks和Microsoft Azure。在该方法中，尺寸检测数据与疲劳测试结果相结合，以创建故障检测模型。使用机器学习（ML）——随机森林和决策树模型——所提出的方法能够以100%的准确率基于实时数据预测螺栓故障。我们的初步结果显示最大位置（30%）和最大载荷（24%）是导致该故障的主要因素。我们期望PMI-DT框架能够减少检测时间并改善预测维护，最终为制造商提供一种利用DT在AM中提升产品质量和可靠性的实用方法。
引用
@article{arxiv.2411.01299,
title = {PMI-DT: Leveraging Digital Twins and Machine Learning for Predictive Modeling and Inspection in Manufacturing},
author = {Chas Hamel and Md Manjurul Ahsan and Shivakumar Raman},
journal= {arXiv preprint arXiv:2411.01299},
year = {2024}
}