On the Applicability of Machine Learning Methods for Vibration-Based Predictive Tool Maintenance: A Case Study = A gépi tanulás alapú rezgésdiagnosztika alkalmazhatóságáról a szerszámkopás előrejelzése érdekében: egy esettanulmány

Székely, László and Ladányi, Márta and Zsidai, László and Keresztes, Róbert and Pataki, Tamás and Szabó, István and Schrempf, Norbert and Veres, Antal (2025) On the Applicability of Machine Learning Methods for Vibration-Based Predictive Tool Maintenance: A Case Study = A gépi tanulás alapú rezgésdiagnosztika alkalmazhatóságáról a szerszámkopás előrejelzése érdekében: egy esettanulmány. JOURNAL OF CENTRAL EUROPEAN GREEN INNOVATION, 13 (1). pp. 39-51. ISSN 2064-3004

Preview

Text 4.Szekely.pdf - Published Version Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (618kB) | Preview

Abstract

This study presents a machine learning–based approach for predicting tool wear and preventing tool breakage using vibration diagnostics in machining processes. By analysing vibration signals (and, where applicable, acoustic emission), the proposed method enables early fault detection and supports predictive maintenance strategies. The approach contributes to sustainable manufacturing by reducing material waste, improving resource efficiency, and extending tool lifetime. Experimental results demonstrate that vibration features effectively distinguish between normal and abnormal tool conditions, highlighting the potential of AI-assisted diagnostics in green innovation and Industry 4.0 applications. | A tanulmány egy gépi tanuláson alapuló megközelítést mutat be a szerszámkopás és a szerszámtörés előrejelzésére, a megmunkálási folyamatok során keletkező rezgésjelek elemzésével. A javasolt módszer a rezgés- és – ahol releváns – akusztikus emissziós (AE) jelek feldolgozásával lehetővé teszi a hibák korai felismerését és a prediktív karbantartás támogatását. A megközelítés hozzájárul a fenntartható gyártáshoz az anyagveszteség csökkentésével, az erőforrás-hatékonyság növelésével és a szerszám élettartamának meghosszabbításával. A kísérleti eredmények igazolják, hogy a rezgésalapú jellemzők alkalmasak a normál és rendellenes szerszámállapotok megkülönböztetésére, ami alátámasztja a mesterséges intelligencia által támogatott diagnosztikai rendszerek alkalmazhatóságát a zöld innováció és az Ipar 4.0 keretrendszerében.

Actions (login required)

Edit Item