發(fā)布時(shí)間：2021-11-26 16:02

　　為提高刀具磨損監(jiān)測(cè)的預(yù)測(cè)精度與泛化性能,研究了基于深度學(xué)習(xí)的銑刀磨損狀態(tài)預(yù)測(cè),提出了基于堆疊稀疏自動(dòng)編碼網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的兩種預(yù)測(cè)模型。堆疊稀疏自動(dòng)編碼網(wǎng)絡(luò)對(duì)特征向量進(jìn)行降維并將其納入分類器來(lái)實(shí)現(xiàn)預(yù)測(cè),可避免特征選擇對(duì)先驗(yàn)知識(shí)的依賴;卷積神經(jīng)網(wǎng)絡(luò)將銑削振動(dòng)數(shù)據(jù)轉(zhuǎn)化為小波尺度圖并輸入模型完成分類,精簡(jiǎn)了傳統(tǒng)建模流程。最后將提出的兩種模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較,驗(yàn)證了所提模型的效率與精度。 

【文章來(lái)源】：中國(guó)機(jī)械工程. 2020,31(17)北大核心EICSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的方法

其中,F表示卷積特征映射;σ(·)為激活函數(shù),在CNN中通常取修正線性單元函數(shù)(rectified linear unit, ReLU);?、B分別表示內(nèi)積和偏置。卷積操作如圖2所示。1.4.2 池化層

池化操作

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損在線監(jiān)測(cè)[J]. 曹大理,孫惠斌,張紀(jì)鐸,莫蓉.  計(jì)算機(jī)集成制造系統(tǒng). 2020(01)
[2]基于深度自編碼網(wǎng)絡(luò)模型的風(fēng)電機(jī)組齒輪箱故障檢測(cè)[J]. 劉輝海,趙星宇,趙洪山,宋鵬,鄧春.  電工技術(shù)學(xué)報(bào). 2017(17)
[3]基于形態(tài)分量分析的高速銑削加工刀具磨損在線監(jiān)測(cè)[J]. 陶欣,朱錕鵬,高思煜.  中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2017(08)
[4]基于深度學(xué)習(xí)的高速銑削刀具磨損狀態(tài)預(yù)測(cè)方法[J]. 林楊,高思煜,劉同舜,朱錕鵬.  機(jī)械與電子. 2017(07)
[5]基于EMD-HMM的機(jī)床刀具磨損故障診斷[J]. 孫巍偉,黃民,高延.  機(jī)床與液壓. 2017(13)
[6]基于深度學(xué)習(xí)特征提取和粒子群支持向量機(jī)狀態(tài)識(shí)別的齒輪智能故障診斷[J]. 時(shí)培明,梁凱,趙娜,安淑君.  中國(guó)機(jī)械工程. 2017(09)
[7]基于稀疏自動(dòng)編碼深度神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)故障診斷[J]. 孫文珺,邵思羽,嚴(yán)如強(qiáng).  機(jī)械工程學(xué)報(bào). 2016(09)
[8]遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)在刀具磨損診斷中的應(yīng)用[J]. 曹偉青,傅攀,張爾卿.  機(jī)械科學(xué)與技術(shù). 2014(11)
[9]小波基函數(shù)在故障診斷中的最佳選擇[J]. 陳澤鑫.  機(jī)械科學(xué)與技術(shù). 2005(02)
[10]基于分形理論和神經(jīng)網(wǎng)絡(luò)的刀具磨損監(jiān)測(cè)[J]. 林穎,劉亞俊,陳忠.  中國(guó)機(jī)械工程. 2004(16)

博士論文
[1]智慧制造環(huán)境下感知數(shù)據(jù)驅(qū)動(dòng)的加工作業(yè)主動(dòng)調(diào)度方法研究[D]. 張存吉.華南理工大學(xué) 2016
[2]車銑刀具磨損狀態(tài)監(jiān)測(cè)及預(yù)測(cè)關(guān)鍵技術(shù)研究[D]. 李威霖.西南交通大學(xué) 2013

碩士論文
[1]BTA深孔鉆削鉆頭磨損狀態(tài)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)研究[D]. 彭朋.西安理工大學(xué) 2017



本文編號(hào)：3520485