CN110472774B - 基于lstm网络的变工况下刀具剩余寿命预测方法 - Google Patents

基于lstm网络的变工况下刀具剩余寿命预测方法 Download PDF

Info

Publication number
CN110472774B
CN110472774B CN201910657300.XA CN201910657300A CN110472774B CN 110472774 B CN110472774 B CN 110472774B CN 201910657300 A CN201910657300 A CN 201910657300A CN 110472774 B CN110472774 B CN 110472774B
Authority
CN
China
Prior art keywords
working condition
scene
cutter
abrasion
lstm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910657300.XA
Other languages
English (en)
Other versions
CN110472774A (zh
Inventor
王明微
赵旭
周竞涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201910657300.XA priority Critical patent/CN110472774B/zh
Publication of CN110472774A publication Critical patent/CN110472774A/zh
Application granted granted Critical
Publication of CN110472774B publication Critical patent/CN110472774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Machine Tool Sensing Apparatuses (AREA)

Abstract

本发明公开了一种基于LSTM网络的变工况下刀具剩余寿命预测方法，用于解决现有刀具寿命预测方法实时性差的技术问题。技术方案是采用希尔伯特黄变换从过程监测信号中提取出磨损特征，并对多工况因素加工工况场景进行定义，通过长短期记忆网络学习加工中工况场景与刀具磨损特征变化之间的关联关系，预测刀具剩余寿命。由于LSTM模型充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，同时LSTM的模糊性能够在空间上对工况场景和加工磨损特征复杂相关关系进行建模。本发明考虑了变工况场景下工况变化与刀具磨损之间复杂的时空关系，实用性好。与现有技术相比，预测误差达到0.01，样本实例的网络预测准确率达到85％以上。

Description

基于LSTM网络的变工况下刀具剩余寿命预测方法
技术领域
本发明涉及一种刀具寿命预测方法，特别是涉及一种基于LSTM网络的变工况下刀具剩余寿命预测方法。
背景技术
刀具剩余寿命预测对加工过程质量保障和持续高效生产有重要意义。刀具磨损与工况直接相关，在加工中呈现出复杂的关联关系，导致变工况下刀具剩余寿命难以预测。
文献“基于GA-BP神经网络的刀具寿命预测研究，精密制造与自动化，2017，Vol.2，p9-11”公开了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。该方法采用刀具直径、切削深度、每齿进给量、切削宽度和刀具齿数作为输入，将遗传算法(GA)引入到BP神经网络中，用GA对BP网络的权值以及阈值进行全局搜索，定位最优解范围，从而使权值以及阈值种群聚集在一定范围之内，再利用BO算法局部寻优能力从而得到最优解，实现对刀具剩余寿命的预测精度的提升。而对于变工况下的刀具剩余寿命预测，同一把刀具在其生命周期内可能加工多个零件，刀具是在一种不断变化的加工条件下工作的，其磨损情况随着加工条件而变化，加工中工况变化与刀具磨损之间关系更为复杂。该预测方法的应用具有局限性。
发明内容
为了克服现有刀具寿命预测方法实时性差的不足，本发明提供一种基于LSTM网络的变工况下刀具剩余寿命预测方法。该方法采用希尔伯特黄变换(HHT)从过程监测信号中提取出磨损特征以衡量不同加工阶段的刀具磨损，并对多工况因素加工工况场景进行定义，通过长短期记忆网络(LSTM)学习加工中工况场景与刀具磨损特征变化之间的关联关系，在此基础上进一步预测刀具剩余寿命。由于LSTM模型的特殊结构可以充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，同时LSTM的模糊性可以在空间上对工况场景和加工磨损特征复杂相关关系进行建模。本发明考虑了变工况场景下工况变化与刀具磨损之间复杂的时空关系，对于变工况下刀具剩余寿命预测具有较好的适用性。与现有技术相比，对工况变化情况没有限制，且预测误差可达到0.01，对样本实例进行学习预测，网络的预测准确率可至85％以上。
本发明解决其技术问题所采用的技术方案是：一种基于LSTM网络的变工况下刀具剩余寿命预测方法，其特点是包括以下步骤：
步骤一、设置磨损特征提取窗口长度win_hht，对刀具全生命周期工况数据连续分段，即
Figure BDA0002137236420000021
式中，Xorg表示刀具全生命周期工况数据，长度为N，Ct表示第t个n×win_hht维工况分段矩阵，其中
Figure BDA0002137236420000022
n是工况数据中工况向量的维数，即工况因素个数。
步骤二、对每个工况分段矩阵Ct中过程监测信号xt基于HHT进行磨损特征提取。将xt经EMD分解为IMF的组合，即
Figure BDA0002137236420000023
xt表示为m个IMF分量与一个平均趋势分量rm的组合。然后选取对磨损变化敏感的d个IMF分量进行希尔伯特变换，进而得到d个IMF分量对应的边际谱。对于每个IMF分量ck，将所得边际谱e个最大幅值点
Figure BDA0002137236420000024
和对应IMF分量的振幅均值Ak作为该IMF分量的磨损特征。
对于每个工况分段矩阵Ct得到磨损特征项Ft，即
Figure BDA0002137236420000025
步骤三、定义工况场景，采用长短期记忆网络LSTM学习工况场景与磨损特征标签之间的映射关系。选取工况场景时间窗口长度win_con，将工况场景定义为：
Figure BDA0002137236420000026
式中，Ft表示工况分段矩阵Ct对应的磨损特征，Bt表示工况分段矩阵Ct中其他工况因素。建立多层LSTM模型，将训练数据工况场景
Figure BDA0002137236420000027
作为输入，由于预测时工况场景中未来时间段的磨损特征未知，训练时将工况场景t+1以后的磨损特征Ft设置为0，同时将工况场景中未来时间段的磨损特征/>
Figure BDA0002137236420000028
作为目标标签。
步骤四、输入t时刻工况场景Xtin，预测出该时刻工况场景下未知的磨损特征Ytout。将此时刻预测出的磨损特征与下一时刻其他工况因素组合成新的工况场景，作为下一时刻的输入，如此迭代预测，终止条件为组合成的工况场景磨损特征达到阈值efeat。从而反推预测迭代次数，得到刀具剩余时间寿命ttime。
本发明的有益效果是：该方法采用希尔伯特黄变换(HHT)从过程监测信号中提取出磨损特征以衡量不同加工阶段的刀具磨损，并对多工况因素加工工况场景进行定义，通过长短期记忆网络(LSTM)学习加工中工况场景与刀具磨损特征变化之间的关联关系，在此基础上进一步预测刀具剩余寿命。由于LSTM模型的特殊结构可以充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，同时LSTM的模糊性可以在空间上对工况场景和加工磨损特征复杂相关关系进行建模。本发明考虑了变工况场景下工况变化与刀具磨损之间复杂的时空关系，对于变工况下刀具剩余寿命预测具有较好的适用性。与现有技术相比，对工况变化情况没有限制，且预测误差可达到0.01，对样本实例进行学习预测，网络的预测准确率可至85％以上。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于LSTM网络的变工况下刀具剩余寿命预测方法具体步骤如下：
首先将变工况数据中工况因素以工况向量的形式表示，影响刀具剩余寿命的工况可分为四类，将其划分为工艺参数、工件信息、过程监测以及切削液系统四个子工况，具体属性如下。
工艺参数子工况
Figure BDA0002137236420000031
其中/>
Figure BDA0002137236420000032
表示主轴转速，/>
Figure BDA0002137236420000033
表示x坐标差值，/>
Figure BDA0002137236420000034
表示y坐标差值，/>
Figure BDA0002137236420000035
表示z坐标差值，/>
Figure BDA0002137236420000036
表示进给速率。
工件信息子工况
Figure BDA0002137236420000037
其中
Figure BDA0002137236420000038
表示导热率，/>
Figure BDA0002137236420000039
表示摩擦系数，/>
Figure BDA00021372364200000310
表示正弹性模量，/>
Figure BDA00021372364200000311
表示抗拉强度，/>
Figure BDA00021372364200000312
表示剪切强度，/>
Figure BDA00021372364200000313
表示洛氏硬度，/>
Figure BDA00021372364200000314
表示伸长率，/>
Figure BDA00021372364200000315
表示冲击韧性，/>
Figure BDA00021372364200000316
表示装夹强度。
过程监测子工况
Figure BDA00021372364200000317
其中/>
Figure BDA00021372364200000318
表示扭矩。
切削液系统子工况
Figure BDA00021372364200000319
其中/>
Figure BDA00021372364200000320
表示切削液流速，/>
Figure BDA00021372364200000321
表示切削液温度。
以Xorg表示刀具全生命周期工况数据，长度为N，维度为n，对应上述子工况向量元素个数之和。设置磨损特征提取窗口长度win_hht，对工况数据Xorg连续分段，即
Figure BDA0002137236420000041
式中，Ct表示第t个n×win_hht维工况分段矩阵，其中
Figure BDA0002137236420000042
对每个工况分段矩阵Ct中过程监测信号xt，即上述扭矩信号
Figure BDA0002137236420000043
基于HHT进行磨损特征提取。首先将xt经EMD分解为IMF的组合，即
Figure BDA0002137236420000044
xt表示为m个IMF分量与一个平均趋势分量rm的组合。然后选取对磨损变化敏感的d个IMF分量进行希尔伯特变换，进而得到d个IMF分量对应的边际谱。对于每个IMF分量ck，将所得边际谱e个最大幅值点
Figure BDA0002137236420000045
和对应IMF分量的振幅均值Ak作为该IMF分量的磨损特征。
对于每个工况分段矩阵Ct都可得到磨损特征项Ft，即
Figure BDA0002137236420000046
选取工况场景时间窗口长度win_con，将工况场景定义为：
Figure BDA0002137236420000047
式中，Ft表示工况分段矩阵Ct对应的磨损特征，Bt表示工况分段矩阵Ct中其他工况因素，即
Figure BDA0002137236420000048
和/>
Figure BDA0002137236420000049
中各工况因素。
建立多层LSTM模型，将训练数据工况场景
Figure BDA00021372364200000410
作为输入，由于预测时工况场景中未来时间段的磨损特征未知，训练时将工况场景t+1以后的磨损特征Ft设置为0，同时将工况场景中未来时间段的磨损特征/>
Figure BDA00021372364200000411
作为目标标签。
在多层LSTM模型中，编码器Encoder首先输入预处理后的工况场景数据
Figure BDA00021372364200000412
当输入到序列的结尾(由end-of-sequence符号标记)后，将工况场景/>
Figure BDA00021372364200000413
编码为固定长度向量c(编码器LSTM最后隐藏状态)，并将c传递给解码器Decoder解码。模型Decoder是另一个LSTM，通过预测给定隐层状态的下一个磨损特征输出Ft+1，进而生成磨损特征输出序列
Figure BDA00021372364200000414
训练过程表示为：
Figure BDA00021372364200000415
式中，flf表示刀具磨损特征预测模型，
Figure BDA00021372364200000416
表示LSTM训练，Wscene表示预处理过的工况场景训练数据，Tfeat表示工况场景对应的未来磨损特征标签，largs表示/>
Figure BDA00021372364200000417
训练参数组成的集合。
训练完成以后，输入t时刻工况场景Xtin，然后预测出该时刻工况场景下未知的磨损特征Ytout，即
Ytout＝flf(Xtin) (6)
将此时刻预测出的磨损特征与下一时刻其他工况因素组合成新的工况场景，作为下一时刻的输入，如此迭代预测，最终的终止条件为组合成的工况场景磨损特征达到阈值efeat。此时预测迭代次数为l，用公式：
Figure BDA0002137236420000051
式中，fHz为工况数据采样频率。从而反推得到刀具剩余时间寿命ttime。
本发明方法利用LSTM模型的特殊结构充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，以及LSTM的模糊性在空间上对工况场景和加工磨损特征复杂相关关系建模优势，学习变工况场景下工况变化与刀具磨损之间复杂的时空关系。在此基础上进一步预测刀具剩余寿命。本发明还采用希尔伯特黄变换(HHT)从过程监测信号中提取出磨损特征以衡量不同加工阶段的刀具磨损，并对多工况因素加工工况场景进行定义。综上，对于变工况下刀具剩余寿命预测，本发明具有较好的实用性。与现有技术相比，对工况变化情况没有限制，且预测误差可达到0.01，对样本实例进行学习预测，网络的预测准确率可至85％以上。

Claims (1)

1.一种基于LSTM网络的变工况下刀具剩余寿命预测方法，其特征在于包括以下步骤：
步骤一、设置磨损特征提取窗口长度win_hht，对刀具全生命周期工况数据连续分段，即
Figure FDA0004194252220000011
式中，Xorg表示刀具全生命周期工况数据，长度为N，Ct表示第t个n×win_hht维工况分段矩阵，其中
Figure FDA0004194252220000012
n是工况数据中工况向量的维数，即工况因素个数；
步骤二、对每个工况分段矩阵Ct中过程监测信号xt基于HHT进行磨损特征提取；将xt经EMD分解为IMF的组合，即
Figure FDA0004194252220000013
xt表示为m个IMF分量与一个平均趋势分量rm的组合；然后选取对磨损变化敏感的d个IMF分量进行希尔伯特变换，进而得到d个IMF分量对应的边际谱；对于每个IMF分量ck，将所得边际谱e个最大幅值点
Figure FDA0004194252220000014
和对应IMF分量的振幅均值Ak作为该IMF分量的磨损特征；
对于每个工况分段矩阵Ct得到磨损特征项Ft,即
Figure FDA0004194252220000015
步骤三、定义工况场景，采用长短期记忆网络LSTM学习工况场景与磨损特征标签之间的映射关系；选取工况场景时间窗口长度win_con，将工况场景定义为：
Figure FDA0004194252220000016
式中，Ft表示工况分段矩阵Ct对应的磨损特征，Bt表示工况分段矩阵Ct中其他工况因素；建立多层LSTM模型，将训练数据工况场景
Figure FDA0004194252220000017
作为输入，由于预测时工况场景中未来时间段的磨损特征未知，训练时将工况场景t+1以后的磨损特征Ft设置为0，同时将工况场景中未来时间段的磨损特征/>
Figure FDA0004194252220000018
作为目标标签；
步骤四、输入t时刻工况场景Xtin，预测出该时刻工况场景下未知的磨损特征Ytout；将此时刻预测出的磨损特征与下一时刻其他工况因素组合成新的工况场景，作为下一时刻的输入，如此迭代预测，终止条件为组合成的工况场景磨损特征达到阈值efeat；通过公式
Figure FDA0004194252220000021
得到刀具剩余时间寿命ttime，其中fHz为工况数据采样频率，l为预测迭代次数。
CN201910657300.XA 2019-07-19 2019-07-19 基于lstm网络的变工况下刀具剩余寿命预测方法 Active CN110472774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910657300.XA CN110472774B (zh) 2019-07-19 2019-07-19 基于lstm网络的变工况下刀具剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910657300.XA CN110472774B (zh) 2019-07-19 2019-07-19 基于lstm网络的变工况下刀具剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN110472774A CN110472774A (zh) 2019-11-19
CN110472774B true CN110472774B (zh) 2023-06-20

Family

ID=68509543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910657300.XA Active CN110472774B (zh) 2019-07-19 2019-07-19 基于lstm网络的变工况下刀具剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN110472774B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070208B (zh) * 2020-08-05 2022-08-30 同济大学 基于编码器-解码器阶段注意力机制的刀具磨损预测方法
CN114918735A (zh) * 2022-05-19 2022-08-19 河海大学 一种基于pcc-lstm的铣削刀具磨损预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101817163A (zh) * 2010-03-25 2010-09-01 南京大学 一种基于神经网络的磨削加工工况检测方法
CN108387473A (zh) * 2018-02-02 2018-08-10 中铁隧道局集团有限公司 一种掘进设备刀具在软土环境下的磨损试验及预测方法
KR20190043232A (ko) * 2017-10-18 2019-04-26 주식회사 스마트랩 공작 기계용 공구수명 관리시스템 및 공구수명 관리방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102416506B (zh) * 2011-12-09 2013-06-12 株洲钻石切削刀具股份有限公司 切削刀具
CN106217128B (zh) * 2016-07-06 2018-07-13 陕西柴油机重工有限公司 基于大数据挖掘的变工况下刀具磨损状态预测方法
CN106141815B (zh) * 2016-07-15 2018-07-17 西安交通大学 一种基于ar模型的高速铣削颤振在线辨识方法
CN108628661B (zh) * 2017-03-24 2021-11-26 郑芳田 云制造服务的自动建置方法、云制造系统
CN108536938A (zh) * 2018-03-29 2018-09-14 上海交通大学 一种机床刀具寿命预测系统及预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101817163A (zh) * 2010-03-25 2010-09-01 南京大学 一种基于神经网络的磨削加工工况检测方法
KR20190043232A (ko) * 2017-10-18 2019-04-26 주식회사 스마트랩 공작 기계용 공구수명 관리시스템 및 공구수명 관리방법
CN108387473A (zh) * 2018-02-02 2018-08-10 中铁隧道局集团有限公司 一种掘进设备刀具在软土环境下的磨损试验及预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Bayesian network-based classifier for machining error prediction;Mingwei Wang等;《2014 IEEE/ASME International Conference on Advanced Intelligent Mechatronics》;全文 *
A Bidirectional LSTM Prognostics Method Under Multiple Operational Conditions;Cheng-Geng Huang等;《 IEEE Transactions on Industrial Electronics》;全文 *
基于GA-BP神经网络的刀具寿命预测研究;夏颖怡;《精密制造与自动化》;全文 *
基于不确定性云推理的刀具磨损量预测方法;郝伟;蒋琪;张宇;;机床与液压(10);全文 *

Also Published As

Publication number Publication date
CN110472774A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN109828532B (zh) 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法
CN110472774B (zh) 基于lstm网络的变工况下刀具剩余寿命预测方法
CN111241744B (zh) 一种基于双向lstm的低压铸造机时间序列数据异常检测方法
CN109389314B (zh) 一种基于最优近邻成分分析的质量软测量与监测方法
CN108595803B (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN111633467A (zh) 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法
JP2022019689A (ja) 時系列データに対する普遍的敵対的攻撃から防御するための方法およびシステム
CN113414638B (zh) 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法
CN115983452A (zh) 一种基于lstm的轴承故障预测方法
CN114842371B (zh) 一种无监督视频异常检测方法
CN116861202A (zh) 基于长短期记忆神经网络的船舶运动包络预报方法及系统
CN117030263A (zh) 多传感器信号融合下基于改进残差网络的轴承故障诊断方法
CN114152442A (zh) 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法
CN112966355B (zh) 基于深度学习的盾构机刀具剩余使用寿命预测方法
CN108845072B (zh) 一种基于卷积神经网络的4-cba含量的动态软测量方法
CN113609766A (zh) 一种基于深度概率潜隐模型的软测量方法
CN113642801A (zh) 一种基于lstm的绞吸挖泥船产量预测方法
CN111475987B (zh) 一种基于sae和on-lstm的齿轮剩余寿命的预测方法
CN110826718B (zh) 一种基于朴素贝叶斯的大段不等长缺失数据填补方法
CN108827905B (zh) 一种基于局部加权Lasso的近红外模型在线更新方法
Vagale et al. Time series forecasting of mobile robot motion sensors using LSTM networks.
Hassanvand et al. A robust control chart for simple linear profiles in two‐stage processes
CN114021423A (zh) 一种适用于机器学习的钻头磨损量化评价方法
Mun et al. Design and analysis of RUL prediction algorithm based on CABLSTM for CNC machine tools
Haq et al. TransNAS-TSAD: Harnessing Transformers for Multi-Objective Neural Architecture Search in Time Series Anomaly Detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant