Published September 5, 2023 | Version v1
Publication Open

Artificial intelligence–built analysis framework for the manufacturing sector: performance optimization of wire electric discharge machining system

Creators

  • 1. University of Engineering and Technology Lahore
  • 2. Process Systems Enterprise (United Kingdom)
  • 3. University College London

Description

Abstract In the era of industry 4.0, digitalization and smart operation of industrial systems contribute to higher productivity, improved quality, and efficient resource utilization for industrial operations and processes. However, artificial intelligence (AI)–based modelling and optimization analysis following a generic analysis framework is lacking in literature for the manufacturing sector thereby impeding the inclusion of AI for its potential application's domain. Herein, a comprehensive and generic analysis framework is presented depicting the key stages involved for carrying out the AI-based modelling and optimization analysis for the manufacturing system. The suggested AI framework is put into practice on wire electric discharge machining (WEDM) system, and the cutting speed of WEDM is adjusted for the stainless cladding steel material. Artificial neural network (ANN), support vector machine (SVM), and extreme learning machine (ELM) are three AI modelling techniques that are trained with meticulous hyperparameter tuning. A better-performing model is chosen once the trained AI models have undergone the external validation test to investigate their prediction performance. The sensitivity analysis on the developed AI model is performed and it is found that pulse on time (P on ) is the noteworthy factor affecting the cutting speed of WEDM having the percentage significance value of 26.6 followed by the D w and LTSS, with the percentage significance value of 17.3 and 16.7 respectively. The parametric optimization incorporating the AI model is conducted and the results pertain to the cutting speed are 27.3% higher than the maximum value of cutting speed achieved for WEDM. The cutting speed performance optimization is realized following the proposed AI-based analysis framework that can be applied, in general, to other manufacturing systems therefore unlocking the potential of AI to contribute to industry 4.0 for the smart operation of manufacturing systems.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

في عصر الصناعة 4.0، تساهم الرقمنة والتشغيل الذكي للأنظمة الصناعية في زيادة الإنتاجية وتحسين الجودة والاستخدام الفعال للموارد للعمليات والعمليات الصناعية. ومع ذلك، فإن النمذجة القائمة على الذكاء الاصطناعي (AI) وتحليل التحسين بعد إطار التحليل العام يفتقر إلى الأدبيات لقطاع التصنيع وبالتالي يعيق إدراج الذكاء الاصطناعي في مجال تطبيقه المحتمل. هنا، يتم تقديم إطار تحليل شامل وعام يصور المراحل الرئيسية التي ينطوي عليها تنفيذ النمذجة القائمة على الذكاء الاصطناعي وتحليل التحسين لنظام التصنيع. يتم وضع إطار الذكاء الاصطناعي المقترح موضع التنفيذ على نظام تصنيع التفريغ الكهربائي السلكي (WEDM)، ويتم ضبط سرعة قطع WEDM لمواد الكسوة الفولاذية غير القابل للصدأ. الشبكة العصبية الاصطناعية (ANN)، وآلة ناقلات الدعم (SVM)، وآلة التعلم المتطرفة (ELM) هي ثلاث تقنيات لنمذجة الذكاء الاصطناعي يتم تدريبها على ضبط المعلمة المفرطة الدقيق. يتم اختيار نموذج أفضل أداءً بمجرد خضوع نماذج الذكاء الاصطناعي المدربة لاختبار التحقق الخارجي للتحقق من أدائها التنبؤي. يتم إجراء تحليل الحساسية على نموذج الذكاء الاصطناعي المطور ووجد أن النبض في الوقت المحدد (P on ) هو العامل الجدير بالملاحظة الذي يؤثر على سرعة قطع WEDM التي لها قيمة دلالة النسبة المئوية 26.6 متبوعة بـ D w و LTSS، مع قيمة دلالة النسبة المئوية 17.3 و 16.7 على التوالي. يتم إجراء التحسين البارامترية الذي يتضمن نموذج الذكاء الاصطناعي والنتائج المتعلقة بسرعة القطع أعلى بنسبة 27.3 ٪ من القيمة القصوى لسرعة القطع المحققة لـ WEDM. يتم تحقيق تحسين أداء سرعة القطع باتباع إطار التحليل المقترح القائم على الذكاء الاصطناعي والذي يمكن تطبيقه، بشكل عام، على أنظمة التصنيع الأخرى وبالتالي إطلاق العنان لإمكانات الذكاء الاصطناعي للمساهمة في الصناعة 4.0 للتشغيل الذكي لأنظمة التصنيع.

Translated Description (French)

Résumé À l'ère de l'industrie 4.0, la numérisation et l'exploitation intelligente des systèmes industriels contribuent à une productivité plus élevée, à une meilleure qualité et à une utilisation efficace des ressources pour les opérations et les processus industriels. Cependant, la modélisation basée sur l'intelligence artificielle (IA) et l'analyse d'optimisation suivant un cadre d'analyse générique font défaut dans la littérature pour le secteur manufacturier, empêchant ainsi l'inclusion de l'IA pour le domaine de son application potentielle. Ici, un cadre d'analyse complet et générique est présenté décrivant les étapes clés impliquées dans la réalisation de l'analyse de modélisation et d'optimisation basée sur l'IA pour le système de fabrication. Le cadre d'IA suggéré est mis en pratique sur le système d'usinage par décharge électrique à fil (WEDM), et la vitesse de coupe de WEDM est ajustée pour le matériau d'acier de revêtement inoxydable. Le réseau neuronal artificiel (ANN), la machine à vecteurs de support (SVM) et la machine d'apprentissage extrême (ELM) sont trois techniques de modélisation de l'IA qui sont entraînées avec un réglage minutieux des hyperparamètres. Un modèle plus performant est choisi une fois que les modèles d'IA formés ont subi le test de validation externe pour étudier leurs performances de prédiction. L'analyse de sensibilité sur le modèle d'IA développé est effectuée et il est constaté que le temps d'impulsion (P on) est le facteur notable affectant la vitesse de coupe de WEDM ayant la valeur de signification en pourcentage de 26,6 suivie de D w et LTSS, avec la valeur de signification en pourcentage de 17,3 et 16,7 respectivement. L'optimisation paramétrique intégrant le modèle d'IA est réalisée et les résultats relatifs à la vitesse de coupe sont 27,3 % plus élevés que la valeur maximale de la vitesse de coupe atteinte pour WEDM. L'optimisation des performances de la vitesse de coupe est réalisée en suivant le cadre d'analyse basé sur l'IA proposé qui peut être appliqué, en général, à d'autres systèmes de fabrication, libérant ainsi le potentiel de l'IA pour contribuer à l'industrie 4.0 pour le fonctionnement intelligent des systèmes de fabrication.

Translated Description (Spanish)

Resumen En la era de la industria 4.0, la digitalización y el funcionamiento inteligente de los sistemas industriales contribuyen a una mayor productividad, una mejor calidad y una utilización eficiente de los recursos para las operaciones y procesos industriales. Sin embargo, el análisis de modelado y optimización basado en inteligencia artificial (IA) siguiendo un marco de análisis genérico carece de literatura para el sector manufacturero, lo que impide la inclusión de la IA para el dominio de su aplicación potencial. En este documento, se presenta un marco de análisis integral y genérico que describe las etapas clave involucradas para llevar a cabo el análisis de modelado y optimización basado en IA para el sistema de fabricación. El marco de IA sugerido se pone en práctica en el sistema de mecanizado por descarga eléctrica de alambre (WEDM), y la velocidad de corte de WEDM se ajusta para el material de acero de revestimiento inoxidable. La red neuronal artificial (ANN), la máquina de vectores de soporte (SVM) y la máquina de aprendizaje extremo (ELM) son tres técnicas de modelado de IA que se entrenan con un ajuste meticuloso de hiperparámetros. Se elige un modelo de mejor rendimiento una vez que los modelos de IA entrenados se han sometido a la prueba de validación externa para investigar su rendimiento de predicción. Se realiza el análisis de sensibilidad en el modelo de IA desarrollado y se encuentra que el pulso en el tiempo (P on ) es el factor notable que afecta la velocidad de corte de WEDM que tiene el valor de significación porcentual de 26.6 seguido de D w y LTSS, con el valor de significación porcentual de 17.3 y 16.7 respectivamente. Se realiza la optimización paramétrica incorporando el modelo AI y los resultados correspondientes a la velocidad de corte son un 27,3% superiores al valor máximo de velocidad de corte alcanzado para WEDM. La optimización del rendimiento de la velocidad de corte se realiza siguiendo el marco de análisis basado en IA propuesto que se puede aplicar, en general, a otros sistemas de fabricación, lo que desbloquea el potencial de la IA para contribuir a la industria 4.0 para el funcionamiento inteligente de los sistemas de fabricación.

Files

s00170-023-12191-6.pdf.pdf

Files (2.4 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:a00a8f30a5ac3df5655066ce99db4ee4
2.4 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
إطار التحليل المبني على الذكاء الاصطناعي لقطاع التصنيع: تحسين أداء نظام تصنيع التفريغ الكهربائي السلكي
Translated title (French)
Cadre d'analyse construit par intelligence artificielle pour le secteur manufacturier : optimisation des performances du système d'usinage par décharge électrique à fil
Translated title (Spanish)
Marco de análisis construido por inteligencia artificial para el sector manufacturero: optimización del rendimiento del sistema de mecanizado por descarga eléctrica de alambre

Identifiers

Other
https://openalex.org/W4386456487
DOI
10.1007/s00170-023-12191-6

Is supplement to
https://openalex.org/W3112885359 (Other)
https://openalex.org/W2947294510 (Other)
https://openalex.org/W2803477885 (Other)
https://openalex.org/W2161732477 (Other)
https://openalex.org/W2155691174 (Other)
https://openalex.org/W2146543028 (Other)
https://openalex.org/W2024755091 (Other)
https://openalex.org/W2004173252 (Other)
https://openalex.org/W1991236959 (Other)
https://openalex.org/W1969262486 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Pakistan

References

  • https://openalex.org/W1963725806
  • https://openalex.org/W1965895201
  • https://openalex.org/W2003133006
  • https://openalex.org/W2012399102
  • https://openalex.org/W2031933941
  • https://openalex.org/W2040651161
  • https://openalex.org/W2052447002
  • https://openalex.org/W2076491552
  • https://openalex.org/W2110889188
  • https://openalex.org/W2126644549
  • https://openalex.org/W2146952738
  • https://openalex.org/W2311505454
  • https://openalex.org/W2521846518
  • https://openalex.org/W2531881488
  • https://openalex.org/W2567170243
  • https://openalex.org/W2586872059
  • https://openalex.org/W2612908914
  • https://openalex.org/W2766684182
  • https://openalex.org/W2789210111
  • https://openalex.org/W2800128395
  • https://openalex.org/W2979886677
  • https://openalex.org/W3007313418
  • https://openalex.org/W3007525213
  • https://openalex.org/W3020060998
  • https://openalex.org/W3034872633
  • https://openalex.org/W3096365960
  • https://openalex.org/W3106860847
  • https://openalex.org/W3137147554
  • https://openalex.org/W3143757879
  • https://openalex.org/W3147369050
  • https://openalex.org/W3176379030
  • https://openalex.org/W3194402767
  • https://openalex.org/W3195663935
  • https://openalex.org/W3217491018
  • https://openalex.org/W4211244941
  • https://openalex.org/W4224948008
  • https://openalex.org/W4281673185
  • https://openalex.org/W4289295416
  • https://openalex.org/W4380633138