Alternativer Identifier:
-
Verwandter Identifier:
Ersteller/in:
Ströbel, Robin https://orcid.org/0000-0002-2424-9789 [Institut für Produktionstechnik (WBK), Karlsruher Institut für Technologie (KIT)]

Mau, Marcus [Institut für Produktionstechnik (WBK), Karlsruher Institut für Technologie (KIT)]

Kader, Hafez [Kader, Hafez]

Erd, Dominik [Institut für Produktionstechnik (WBK), Karlsruher Institut für Technologie (KIT)]

Bless, Dominik [Institut für Produktionstechnik (WBK), Karlsruher Institut für Technologie (KIT)]

Deucker, Samuel [Institut für Produktionstechnik (WBK), Karlsruher Institut für Technologie (KIT)]

Puchta, Alexander [Institut für Produktionstechnik (WBK), Karlsruher Institut für Technologie (KIT)]

Fleischer, Jürgen [Institut für Produktionstechnik (WBK), Karlsruher Institut für Technologie (KIT)]

Noack, Benjamin [Noack, Benjamin]
Beitragende:
-
Titel:
Training and validation dataset 3 of milling processes for time series prediction
Weitere Titel:
-
Beschreibung:
(Abstract) Der vorliegende Datensatz soll als Grundlage für die Entwicklung von Modellen zur Vorhersage von Zeitreihen für Fräsprozesse dienen. Dazu wurden Fräsprozesse mit einer Abtastrate von 500 Hz auf einer DMG CMX 600 V (DOI: 10.5445/IR/1000157789) und einer DMC 60H (DOI: 10.35097/1738) mit einer Siemens Industrial Edge aufgenommen. Es wurde ein Bauteil für das Modelltraining (Bauteil 1) und ein Bauteil für die Validierung (Bauteil 2) gefertigt. Beide wurden sowohl für die Bearbeitung von Stahl als auch von Aluminium verwendet. Es wurden mehrere Aufnahmen mit und ohne Werkstück (Aircut) gemacht, um unterschiedliche Komplexitäten abbilden zu können. Die vorhandenen Datensätze wurden für eine einfache Anwendung als standardisierte CSV-Datei aufbereitet. Die Prozessdatensätze wurden um simulierte Inputsignale gemäß "Time Series Prediction for Energy Consumption of Computer Numerical Control Axes Using Hybrid Machine Learning Models" (DOI: 10.5445/IR/1000165753) erweitert. Die simulierten Kräfte der DMC 60H wurden durch einen experimentell bestimmten Maschinenkoeffizienten dividiert, um eine genauere Annäherung an die tatsächlichen Kräfte zu erhalten. Die Koeffizienten betragen 5,42189 für Aluminium und 2,78245 für Stahl.
(Abstract) The present dataset is intended to serve as a basis for developing time series prediction models for milling machines. For this purpose, milling processes were recorded with a sampling rate of 500 Hz on a DMG CMX 600 V (DOI: 10.5445/IR/1000157789) and a DMC 60H (DOI: 10.35097/1738) with a Siemens Industrial Edge. A model training component (workpiece 1) and a validation component (workpiece 2) were milled. Both were used to machine steel and aluminum. Several records were taken with and without the workpiece (aircut) to represent different levels of complexity. The datasets have been prepared as a standardized CSV file for ease of use. The process datasets are extended with simulated input signals according to "Time Series Prediction for Energy Consumption of Computer Numerical Control Axes Using Hybrid Machine Learning Models" (DOI: 10.5445/IR/1000165753). The simulated forces of the DMC 60H were divided by an experimentally determined machine coefficient to obtain a more accurate approximation of the actual forces. The coefficients are 5.42189 for aluminum and 2.78245 for steel.
(Technical Remarks) Documents: -Design of Experiments: Path information and technological values of the experiments -Data: All dataframes organized by milling machine, material, workpiece and process. -NC Code: NC programs executed on the machines Experimental data: -Machine: Retrofitted DMC 60H and DMG CMX 600 V -Material: S235JR, 2007 T4 -Tools: -VHM-Fräser HPC, TiSi, ⌀ f8 DC: 5mm -VHM-Fräser HPC, TiSi, ⌀ f8 DC: 10mm -VHM-Fräser HPC, TiSi, ⌀ f8 DC: 20mm -Schaftfräser HSS-Co8, TiAlN, ⌀ k10 DC: 5mm -Schaftfräser HSS-Co8, TiAlN, ⌀ k10 DC: 10mm -Schaftfräser HSS-Co8, TiAlN, ⌀ k10 DC: 5mm -Workpiece blank dimensions: 150x75x50mm License: This work is licensed under a Creative Commons Attribution 4.0 International License. Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).
Schlagworte:
Machine tool
Time series prediction
Machine Learning
Milling
CNC
Zugehörige Informationen:
-
Sprache:
-
Erstellungsjahr:
Fachgebiet:
Engineering
Objekttyp:
Dataset
Datenquelle:
-
Verwendete Software:
-
Datenverarbeitung:
-
Erscheinungsjahr:
Rechteinhaber/in:

Mau, Marcus

Kader, Hafez

Erd, Dominik

Bless, Dominik

Deucker, Samuel

Puchta, Alexander

Fleischer, Jürgen

Noack, Benjamin
Förderung:
-
Name Speichervolumen Metadaten Upload Aktion
Status:
Publiziert
Eingestellt von:
kitopen
Erstellt am:
Archivierungsdatum:
2024-06-18
Archivgröße:
120,3 MB
Archiversteller:
kitopen
Archiv-Prüfsumme:
e57a23090dfc9c0a6fc6d7310343626c (MD5)
Embargo-Zeitraum:
-