Data-Driven Optimization of Manufacturing Processes

Abstract

This book examines computational intelligence techniques for optimizing machining processes. Since exhaustive experimental testing of process parameters is often impractical, machine learning methods—such as gene expression programming, artificial neural networks, and support vector regression—function as predictive models, while metaheuristics including cuckoo search and particle swarm optimization determine optimal parameter combinations. Integrating prediction and optimization, the research extends beyond machining to broader mechanical, civil, and electrical engineering applications. Presenting cutting-edge soft computing approaches, the volume serves as a valuable reference for engineers, researchers, and students aiming to enhance manufacturing performance through data-driven optimization methodologies.

В книге рассматриваются методы вычислительного интеллекта для оптимизации механической обработки. Поскольку полный экспериментальный перебор параметров процесса часто нереалистичен, методы машинного обучения – такие как программирование экспрессии генов, искусственные нейронные сети и регрессия опорных векторов – выступают в роли прогностических моделей, а метаэвристики, включая поиск методом кукушки и рой частиц, определяют оптимальные комбинации параметров. Исследование охватывает не только механическую обработку, но и задачи в машиностроении, строительстве и электротехнике, представляя ценный справочный ресурс для инженеров и исследователей, стремящихся повысить эффективность производства за счёт методов оптимизации, основанных на данных.