Feature selection for predicting milling tool condition by using machine learning methods.

Abstract

O projeto visa o estudo de técnicas de seleção de features com o intuito de melhorar um sistema de predição de desgaste de ferramenta em processos de fresamento de alta precisão. A abordagem escolhida combina a utilização de dados de sensores coletados através de testes práticos realizados em uma fresadora CNC de alta precisão com medições de desgaste de flanco da ferramenta obtidos em um microscópio. Com o intuito de selecionar a melhor técnica de seleção de features para o desenvolvimento do projeto, uma minuciosa pesquisa do estado da arte foi realizada, levantando as possíveis melhores técnicas a serem depois implementadas no projeto. Nesta fase do projeto, tanto técnicas de seleção de features quanto técnicas de machine learning foram estudadas, além disso, um estudo sobre o fenômeno de desgaste de ferramenta foi conduzido. O sistema de aquisição de dados implementado, grava dados de diversos sensores diferentes, sendo assim, o documento aborda o setup de hardware e software para o sistema de aquisição utilizado, planejamento dos parâmetros e análise dos dados. A próxima seção do documento faz uma abordagem das estratégias de pré- processamento dos dados coletados, como eliminação de ruídos e de sensores que foram adiquiridos mas não fazem parte do projeto. Nesta etapa do projeto, todos os datasets contendo as informações vitais para o projeto são produzidos. Ao final, o projeto realizado discute sobre as técnicas de seleção de features, aponta as melhores e o porque das mesmas serem escolhidas. Os resultados são comparados com a predição do desgaste da ferramenta sem nenhuma técnica de seleção de features. Consegue-se então por fim concluir que, para o caso de estudo especifico, podemos reduzir consideravelmente o número de features e consequentemente o número de sensores empregados na coleta de dados reduzindo o custo da operação, e garantir uma precisão alta de predição de desgaste de ferramenta.

The project aims to study feature selection techniques to improve a tool wear prediction system in high-precision milling processes. The chosen approach combines the use of sensor data collected through practical tests performed on a high-precision CNC milling machine with tool flank wear measurements obtained under a microscope. In order to select the best feature selection technique for the development of the project, thorough state-of-the-art research was carried out, raising the possible best techniques to be later implemented in the project. In this phase of the project, both feature selection techniques and machine learning techniques were studied; in addition, a study on the phenomenon of tool wear was conducted. The implemented data acquisition system records data from several different sensors, so the document addresses the hardware and software setup for the used acquisition system, parameter planning and data anal- ysis. The next section of the document discusses the pre-processing strategies of the collected data, such as eliminating noise and sensors that were acquired but are not part of the project. At this stage of the project, all datasets containing vital information for the project are produced. In the end, the project carried out discusses the feature selection techniques, points out the best ones and why they were chosen. The results are compared with the tool wear prediction without any feature selection technique. Finally, it is possible to conclude that, for the specific case of study, we can considerably reduce the number of features and, consequently, the number of sensors used in data collection, reducing the cost of the operation, and providing high accuracy of tool wear prediction.