Pengiktirafan Corak Berbantu ML untuk Anggaran Kekuatan Tegangan Maksimum (UTS) dalam Spesimen PLA FDM

2.1. Fabrikasi Spesimen & Parameter

Satu set data dijana daripada 31 spesimen PLA yang difabrikasi melalui FDM. Empat parameter proses utama diubah untuk mencipta set ciri bagi model ML:

• Peratusan Pengisian: Ketumpatan struktur dalaman.
• Ketinggian Lapisan: Ketebalan setiap lapisan yang didepositkan.
• Kelajuan Cetak: Kelajuan pergerakan muncung semasa pemendapan.
• Suhu Penyemperitan: Suhu filamen lebur.

UTS setiap spesimen diukur secara eksperimen dan kemudian dikategorikan kepada kelas (contohnya, UTS "Tinggi" atau "Rendah") untuk merumuskan masalah klasifikasi berpenyeliaan.

2.2. Algoritma Pembelajaran Mesin

Empat algoritma klasifikasi berpenyeliaan yang berbeza dilaksanakan dan dibandingkan:

1. Klasifikasi Logistik: Model linear untuk klasifikasi binari.
2. Klasifikasi Gradient Boosting: Teknik ensemble yang membina pokok berurutan untuk membetulkan ralat.
3. Pokok Keputusan: Model bukan parametrik yang membahagikan data berdasarkan nilai ciri.
4. K-Jiran Terdekat (KNN): Algoritma pembelajaran berasaskan contoh yang mengklasifikasikan titik berdasarkan kelas majoriti 'k' jiran terdekatnya dalam ruang ciri.

Prestasi model dinilai menggunakan metrik seperti Skor F1 dan Kawasan Di Bawah Lengkung (AUC) bagi Ciri Operasi Penerima (ROC).

3.1. Perbandingan Prestasi Algoritma

Keputusan eksperimen memberikan hierarki keberkesanan model yang jelas untuk tugas khusus ini:

Walaupun Pokok Keputusan menyamai skor F1 KNN, metrik AUC mendedahkan keupayaan unggul KNN untuk membezakan antara kelas UTS merentasi semua ambang klasifikasi.

3.2. Keunggulan K-Jiran Terdekat (KNN)

Algoritma KNN muncul sebagai model yang paling baik. Kejayaannya boleh dikaitkan dengan sifat set data dan masalah:

• Kesamaan Tempatan: UTS kemungkinan ditentukan oleh interaksi kompleks, bukan linear antara parameter. Anggaran tempatan KNN menangkap corak ini tanpa mengandaikan bentuk fungsi global, tidak seperti model linear (Regresi Logistik).
• Kekukuhan terhadap Set Data Kecil: Dengan hanya 31 titik data, model bukan parametrik yang lebih mudah seperti KNN dan Pokok Keputusan kurang cenderung kepada lampau padanan berbanding kaedah ensemble kompleks seperti Gradient Boosting, yang mungkin memerlukan lebih banyak data untuk membuat generalisasi secara berkesan.
• Kebolehinterpretasian vs. Prestasi: Walaupun Pokok Keputusan menawarkan interpretasi berasaskan peraturan yang jelas, prestasinya (AUC) sedikit lebih rendah daripada KNN, mencadangkan penaakulan berasaskan jarak KNN lebih selari dengan geometri data asas untuk tugas ramalan sifat ini.

Penerangan Carta (Tersirat): Carta bar akan memvisualisasikan skor F1 dengan berkesan (semua pada 0.71 untuk KNN dan DT) dan carta bar atau jadual berasingan akan menyerlahkan pembeza utama: skor AUC, dengan bar KNN jauh lebih tinggi (0.79) daripada yang lain, dengan jelas menunjukkan kuasa diskriminatifnya yang unggul.

4.1. Formulasi Matematik

Teras algoritma KNN untuk klasifikasi boleh diformalkan. Diberi vektor ciri input baharu $\mathbf{x}_{\text{new}}$ (merangkumi % pengisian, ketinggian lapisan, dll.), kelasnya $C$ ditentukan oleh:

1. Pengiraan Jarak: Kira jarak (contohnya, Euclidean) antara $\mathbf{x}_{\text{new}}$ dan semua vektor latihan $\mathbf{x}_i$ dalam set data:

   $d_i = ||\mathbf{x}_{\text{new}} - \mathbf{x}_i||_2$

2. Pengenalpastian Jiran: Kenal pasti $k$ sampel latihan dengan jarak $d_i$ terkecil.
3. Undian Majoriti: Tugaskan kelas $C$ yang paling kerap di kalangan $k$ jiran ini:

   $C(\mathbf{x}_{\text{new}}) = \arg\max_{c} \sum_{i=1}^{k} I(C_i = c)$

   di mana $I(\cdot)$ ialah fungsi penunjuk, dan $C_i$ ialah kelas jiran ke-$i$.

Metrik AUC, di mana KNN cemerlang, mewakili kebarangkalian model mengkedudukan contoh positif rawak lebih tinggi daripada contoh negatif rawak. AUC 0.79 menunjukkan peluang 79% untuk kedudukan yang betul, menandakan keupayaan diskriminatif yang baik.

4.2. Contoh Kerangka Analisis

Skenario: Seorang jurutera ingin meramal sama ada set parameter FDM baharu akan menghasilkan UTS "Tinggi" atau "Rendah" tanpa mencetak.

Aplikasi Kerangka (Bukan Kod):

1. Perwakilan Data: Set parameter baharu {Pengisian: 80%, Ketinggian Lapisan: 0.2mm, Kelajuan: 60mm/s, Suhu: 210°C} diformat sebagai vektor ciri.
2. Pertanyaan Model: Vektor ini dimasukkan ke dalam model KNN terlatih ($k=5$, menggunakan jarak Euclidean, ciri piawai).
3. Analisis Kejiranan: Model mengira jarak kepada semua 31 cetakan sejarah. Ia mencari 5 cetakan lepas yang paling serupa berdasarkan kedekatan parameter.
4. Keputusan & Keyakinan: Jika 4 daripada 5 cetakan lepas serupa itu mempunyai UTS "Tinggi", model meramalkan "Tinggi" untuk set baharu. Perkadaran (4/5 = 80%) bertindak sebagai skor keyakinan. Skor AUC 0.79 memberikan kepercayaan keseluruhan terhadap keupayaan pengkedudukan model merentasi semua ambang yang mungkin.
5. Tindakan: Jurutera menggunakan ramalan ini untuk meluluskan parameter untuk bahagian kritikal atau memutuskan untuk melaraskannya sebelum cetakan yang mahal.