為提高刀具磨損監(jiān)測的預測精度與泛化性能,研究了基于深度學習的銑刀磨損狀態(tài)預測,提出了基于堆疊稀疏自動編碼網(wǎng)絡與卷積神經(jīng)網(wǎng)絡的兩種預測模型。堆疊稀疏自動編碼網(wǎng)絡對特征向量進行降維并將其納入分類器來實現(xiàn)預測,可避免特征選擇對先驗知識的依賴;卷積神經(jīng)網(wǎng)絡將銑削振動數(shù)據(jù)轉(zhuǎn)化為小波尺度圖并輸入模型完成分類,精簡了傳統(tǒng)建模流程。最后將提出的兩種模型與傳統(tǒng)神經(jīng)網(wǎng)絡模型進行比較,驗證了所提模型的效率與精度。 

【文章來源】：中國機械工程. 2020,31(17)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

傳統(tǒng)神經(jīng)網(wǎng)絡與深度學習的方法

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】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡的刀具磨損在線監(jiān)測[J]. 曹大理,孫惠斌,張紀鐸,莫蓉.  計算機集成制造系統(tǒng). 2020(01)
[2]基于深度自編碼網(wǎng)絡模型的風電機組齒輪箱故障檢測[J]. 劉輝海,趙星宇,趙洪山,宋鵬,鄧春.  電工技術學報. 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[J]. 陶欣,朱錕鵬,高思煜.  中國科學技術大學學報. 2017(08)
[4]基于深度學習的高速銑削刀具磨損狀態(tài)預測方法[J]. 林楊,高思煜,劉同舜,朱錕鵬.  機械與電子. 2017(07)
[5]基于EMD-HMM的機床刀具磨損故障診斷[J]. 孫巍偉,黃民,高延.  機床與液壓. 2017(13)
[6]基于深度學習特征提取和粒子群支持向量機狀態(tài)識別的齒輪智能故障診斷[J]. 時培明,梁凱,趙娜,安淑君.  中國機械工程. 2017(09)
[7]基于稀疏自動編碼深度神經(jīng)網(wǎng)絡的感應電動機故障診斷[J]. 孫文珺,邵思羽,嚴如強.  機械工程學報. 2016(09)
[8]遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡在刀具磨損診斷中的應用[J]. 曹偉青,傅攀,張爾卿.  機械科學與技術. 2014(11)
[9]小波基函數(shù)在故障診斷中的最佳選擇[J]. 陳澤鑫.  機械科學與技術. 2005(02)
[10]基于分形理論和神經(jīng)網(wǎng)絡的刀具磨損監(jiān)測[J]. 林穎,劉亞俊,陳忠.  中國機械工程. 2004(16)

博士論文
[1]智慧制造環(huán)境下感知數(shù)據(jù)驅(qū)動的加工作業(yè)主動調(diào)度方法研究[D]. 張存吉.華南理工大學 2016
[2]車銑刀具磨損狀態(tài)監(jiān)測及預測關鍵技術研究[D]. 李威霖.西南交通大學 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)絡識別技術研究[D]. 彭朋.西安理工大學 2017



本文編號：3520485