基于一维卷积神经网络的螺旋铣刀具磨损监测

发布时间：2024-02-20 00:08

　　基于传统机器学习的螺旋铣刀具磨损监测方法需要复杂的特征提取和丰富的经验知识,不同磨损阶段具有相同的错误分类代价,针对这些问题,结合电流信号一维性特点,提出基于一维卷积神经网络(1D CNN)和代价敏感学习的螺旋铣刀具磨损监测方法.采集机器人螺旋铣末端执行器主轴、公转轴和进给轴电流作为监测信号,并采用滑动窗口法进行样本划分,在降低网络容量的同时增加样本数量和多样性;在网络损失函数中引入代价矩阵并增加急剧磨损阶段的错误分类代价,使得1D CNN具有代价敏感性;直接将电流时域信号输入1D CNN,网络可以自动提取刀具磨损特征,并将特征提取和不同磨损阶段分类融合在一起.试验结果表明,在机器人螺旋铣系统中,该方法的刀具磨损监测准确率为99.29%,在急剧磨损阶段的查全率为99.60%.

【文章页数】：9 页

【部分图文】：

图4.1训练集中各个磨损阶段样本的占比

浙江大学硕士学位论文基于代价敏感一维卷积神经网络的螺旋铣孔刀具磨损状态监测53第四章基于代价敏感一维卷积神经网络的螺旋铣孔刀具磨损状态监测【本章摘要】针对电流信号数据集存在的样本类别不平衡和急剧磨损阶段查全率不高等问题，本章进一步提出一种基于1DCS-CNN的螺旋铣孔刀具磨损状态....

本文编号：3903538