采用深度学习的铣刀磨损状态预测模型

发布时间：2021-11-26 16:02

　　为提高刀具磨损监测的预测精度与泛化性能,研究了基于深度学习的铣刀磨损状态预测,提出了基于堆叠稀疏自动编码网络与卷积神经网络的两种预测模型。堆叠稀疏自动编码网络对特征向量进行降维并将其纳入分类器来实现预测,可避免特征选择对先验知识的依赖;卷积神经网络将铣削振动数据转化为小波尺度图并输入模型完成分类,精简了传统建模流程。最后将提出的两种模型与传统神经网络模型进行比较,验证了所提模型的效率与精度。 

【文章来源】：中国机械工程. 2020,31(17)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

传统神经网络与深度学习的方法

其中,F表示卷积特征映射;σ(·)为激活函数,在CNN中通常取修正线性单元函数(rectified linear unit, ReLU);?、B分别表示内积和偏置。卷积操作如图2所示。1.4.2 池化层

池化操作

【参考文献】：
期刊论文
[1]基于卷积神经网络的刀具磨损在线监测[J]. 曹大理,孙惠斌,张纪铎,莫蓉.  计算机集成制造系统. 2020(01)
[2]基于深度自编码网络模型的风电机组齿轮箱故障检测[J]. 刘辉海,赵星宇,赵洪山,宋鹏,邓春.  电工技术学报. 2017(17)
[3]基于形态分量分析的高速铣削加工刀具磨损在线监测[J]. 陶欣,朱锟鹏,高思煜.  中国科学技术大学学报. 2017(08)
[4]基于深度学习的高速铣削刀具磨损状态预测方法[J]. 林杨,高思煜,刘同舜,朱锟鹏.  机械与电子. 2017(07)
[5]基于EMD-HMM的机床刀具磨损故障诊断[J]. 孙巍伟,黄民,高延.  机床与液压. 2017(13)
[6]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君.  中国机械工程. 2017(09)
[7]基于稀疏自动编码深度神经网络的感应电动机故障诊断[J]. 孙文珺,邵思羽,严如强.  机械工程学报. 2016(09)
[8]遗传算法优化的模糊神经网络在刀具磨损诊断中的应用[J]. 曹伟青,傅攀,张尔卿.  机械科学与技术. 2014(11)
[9]小波基函数在故障诊断中的最佳选择[J]. 陈泽鑫.  机械科学与技术. 2005(02)
[10]基于分形理论和神经网络的刀具磨损监测[J]. 林颖,刘亚俊,陈忠.  中国机械工程. 2004(16)

博士论文
[1]智慧制造环境下感知数据驱动的加工作业主动调度方法研究[D]. 张存吉.华南理工大学 2016
[2]车铣刀具磨损状态监测及预测关键技术研究[D]. 李威霖.西南交通大学 2013

硕士论文
[1]BTA深孔钻削钻头磨损状态卷积神经网络识别技术研究[D]. 彭朋.西安理工大学 2017



本文编号：3520485