CN111390648B - 基于对抗神经网络的车刀磨损判定方法 - Google Patents

基于对抗神经网络的车刀磨损判定方法 Download PDF

Info

Publication number
CN111390648B
CN111390648B CN202010240333.7A CN202010240333A CN111390648B CN 111390648 B CN111390648 B CN 111390648B CN 202010240333 A CN202010240333 A CN 202010240333A CN 111390648 B CN111390648 B CN 111390648B
Authority
CN
China
Prior art keywords
data
neural network
abrasion
turning tool
current signal
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
CN202010240333.7A
Other languages
English (en)
Other versions
CN111390648A (zh
Inventor
徐惠余
吴继春
林雪玉
霍览坤
秦友
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.)
Jianglu Machinery and Electronics Group Co Ltd
Original Assignee
Jianglu Machinery and Electronics Group Co Ltd
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 Jianglu Machinery and Electronics Group Co Ltd filed Critical Jianglu Machinery and Electronics Group Co Ltd
Priority to CN202010240333.7A priority Critical patent/CN111390648B/zh
Publication of CN111390648A publication Critical patent/CN111390648A/zh
Application granted granted Critical
Publication of CN111390648B publication Critical patent/CN111390648B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0957—Detection of tool breakage
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q2717/00—Arrangements for indicating or measuring
    • B23Q2717/003—Arrangements for indicating or measuring in lathes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于对抗神经网络的车刀磨损判定方法，包括以下步骤：采集数控机床中主轴电流信号数据；进行数据的预处理；利用先验知识定义警报区；使用对抗神经网络使数据样本增强；用增强后的数据样本中的电流信号数据训练CNN模型，调整CNN模型参数，将刀具磨损分为初级磨损、正常磨损、警报区、剧烈磨损；将待测电流信号数据输入训练后的CNN模型，得到分类结果。本发明将刀具的三分类改成四分类，并将数据样本不平衡问题由对抗神经网络进行处理，能够有效检测和预测刀具状态，对刀具受损进行预警，从而避免由于刀具进入剧烈磨损阶段加工精度受损导致的废品率增加，提高了机床的可靠性。

Description

基于对抗神经网络的车刀磨损判定方法
技术领域
本发明涉及数控机床刀具领域，特别涉及一种基于对抗神经网络的车刀磨损判定方法。
背景技术
随着“工业4.0”被提出，制造业在我国蓬勃发展，大量的机械加工及机械制造被广泛的需求。数控机床被称为“工业母机”，在各大的机器零件制造中起着决定性作用。依据目前的趋势来看，机器的加工的精度要求越来越高，对机床中的车刀质量要求也越来越高。
从加工工艺来看，一方面车刀的使用量与需求量不断增大，另一方面车刀所处的工作环境较为恶劣，并且加工强度高、力度大、持续时间长，使得车刀的稳定性受到严峻挑战，当车刀的稳定性因为加工强度大而受到挑战时，车刀进入剧烈磨损阶段，使其加工精度收到影响，导致机床加工物件的质量、可靠性和安全性能会降低。社会对加工质量的要求越来越高，若车刀出现磨损故障而未能够及时发现，机床加工的物品容易出现精度和质量的下降，更有可能使工件报废，造成巨大经济损失。这对数控机床中的车刀监测和智能诊断技术提出了新的要求。
与传统的故障诊断相比，经典的神经网络在故障诊断领域有广泛的运用。许多学者们将深度学习中神经网络强大的特征提取能力运用于各大行业中，并取得了重大成果。深度学习在故障诊断领域也被学者们加以利用起来。经典的神经网络如：堆叠自编码器(SAE)、卷积神经网络(CNN)、循环神经网络(RNN)等多个深度学习模型在故障诊断领域被提出且运用。
对于车刀来说，车刀的磨损阶段通常有三个阶段，即，初期磨损、正常磨损、剧烈磨损。当车刀进入剧烈磨损时，车刀的加工精度已经收到影响。因此，需要在车刀进入剧烈磨损时，更换车刀。然而，经典深度学习模型的故障诊断方法通常只考虑样本数量充足的情况下，在特定的工件中，存在样本数量不足的情况。这样，传统的深度学习模型便很难开展，诊断效果也不理想。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、预测精度高的基于对抗神经网络的车刀磨损判定方法。
本发明解决上述问题的技术方案是：一种基于对抗神经网络的车刀磨损判定方法，包括以下步骤：
S1：采集数控机床中主轴电流信号数据；
S2：将采集的数控机床中主轴电流信号数据进行数据的预处理，采用小波包变换分析，得出时频图，并将时频图转换成64*64*3图像；
S3：利用先验知识，当车刀磨损量在0.252mm时，电流信号与车刀磨损量呈现线性关系，将车刀的磨损量在0.252mm与0.23之间定义为警报区；
S4：将警报区阶段的电流信号数据作为数据样本，并使用对抗神经网络使数据样本增强；
所述步骤S4中使用对抗神经网络使数据样本增强，将小波包变换处理的图像转换成矩阵，并在真实数据样本提取矩阵中向量作为输入进行反卷积得到新的图像特征，将图像样本传输至判别器D中进行判别，若为真，则列为样本数据，判别器D优化，否则放弃该图像样本数据，G生成器优化，最后将判别为真的样本数据作为数据集；
S5：用增强后的数据样本中的电流信号数据训练CNN模型，调整CNN模型参数，将刀具磨损分为初级磨损、正常磨损、警报区、剧烈磨损；
S6：将待测电流信号数据输入训练后的CNN模型，得到分类结果。
上述基于对抗神经网络的车刀磨损判定方法，所述步骤S1中，采集的数控机床中主轴电流信号数据包括采集主轴空转的电流信号、刀具工作从开始到磨损时主轴负载的电流信号。
上述基于对抗神经网络的车刀磨损判定方法，所述步骤S2中，采用滑动平均信号提取，使用小波包变换分析，并将得到的图像进行转换。
上述基于对抗神经网络的车刀磨损判定方法，所述步骤S4中反卷积过程为：将警报区真实数据进行向量提取，进行反卷积得到4*4*1024的矩阵；对下一次进行反卷积得到8*8*512；对下一层进行反卷积得到16*16*256；依次类推，最终得到64*64*3的图像。
上述基于对抗神经网络的车刀磨损判定方法，所述步骤S5中，
首先将所得到的数据集分成训练集、测试集、验证集，其中包括所得到增强的警报区数据集；
然后将数据集进行小波包变换处理；
接着添加多层卷积层，建立卷积神经网络结构：第一层，使用卷积层与池化层，步长为1，激活函数为RELU；第二层，使用卷积层与池化层，步长为1，激活函数为RELU；在第二层后面，添加Dropout防止过拟合；
再用训练集对卷积神经网络进行训练，将刀具磨损分为初级磨损、正常磨损、警报区、剧烈磨损。
上述基于对抗神经网络的车刀磨损判定方法，所述步骤S6中，将测试集数据输入到训练好的卷积神经网络中，得到分类结果，当分类结果为警报区，提醒刀具更换。
本发明的有益效果在于：本发明首次将刀具的三分类改成四分类，并将数据样本不平衡问题由对抗神经网络进行处理，能够有效检测和预测刀具状态，对刀具受损进行预警，从而避免由于刀具进入剧烈磨损阶段加工精度受损导致的废品率增加，能有效地预测出刀具在一段时间后发生故障的可能性及有效性，预防了问题出现的可能，提高了机床的可靠性。
附图说明
图1本发明的工作流程图。
图2本发明合成数据流程图。
图3本发明车刀磨损图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1-图3所示，一种基于对抗神经网络的车刀磨损判定方法，包括以下步骤：
S1：采集数控机床中主轴电流信号数据。采集的数控机床中主轴电流信号数据包括采集主轴空转的电流信号、刀具工作从开始到磨损时主轴负载的电流信号。
S2：将采集的数控机床中主轴电流信号数据进行数据的预处理，采用小波包变换分析，得出时频图，并将时频图转换成64*64*3图像。采用滑动平均信号提取，使用小波包变换分析，并将得到的图像进行转换。
S3：利用先验知识，当车刀磨损量在0.252mm时，电流信号与车刀磨损量呈现线性关系，将车刀的磨损量在0.252mm与0.23之间定义为警报区。
S4：将警报区阶段的电流信号数据作为数据样本，并使用对抗神经网络使数据样本增强。
使用对抗神经网络使数据样本增强，将小波包变换处理的图像转换成矩阵，并在真实数据样本提取矩阵中向量作为输入进行反卷积得到新的图像特征，将图像样本传输至判别器D中进行判别，若为真，则列为样本数据，判别器D优化，否则放弃该图像样本数据，G生成器优化，最后将判别为真的样本数据作为数据集。
Figure GDA0003293526630000051
其中x代表真实数据，X是向量，也就是特征值；Z代表随机噪音，Z是生成器的输入也是向量；D(x)代表判别网络结构判别为真实样本的概率，D(G(z))代表判别网络结构判别为生成图像的概率，训练的最终目的是使判别网络D无法判断生成网络G的输出结果是否真实。Logx对应的概率分布。公式意义是当使得D目标函数最大，G不变，第一项公式通过概率分布使得第一项得到最大，因为log函数单调，使得第二项的值最大，就需要G生成器的目标函数最小。
反卷积过程为：将警报区真实数据进行向量提取，进行反卷积得到4*4*1024的矩阵；对下一次进行反卷积得到8*8*512；对下一层进行反卷积得到16*16*256；依次类推，最终得到64*64*3的图像。
S5：用增强后的数据样本中的电流信号数据训练CNN模型，调整CNN模型参数，将刀具磨损分为初级磨损、正常磨损、警报区、剧烈磨损。
首先将所得到的数据集分成训练集、测试集、验证集，其中包括所得到增强的警报区数据集；
然后将数据集进行小波包变换处理；
接着添加多层卷积层，建立卷积神经网络结构：第一层，使用卷积层与池化层，步长为1，激活函数为RELU；第二层，使用卷积层与池化层，步长为1，激活函数为RELU；在第二层后面，添加Dropout防止过拟合；
再用训练集对卷积神经网络进行训练，将刀具磨损分为初级磨损、正常磨损、警报区、剧烈磨损。
S6：将测试集数据输入训练后的CNN模型，得到分类结果，当分类结果为警报区，提醒刀具更换。

Claims (6)

1.一种基于对抗神经网络的车刀磨损判定方法，其特征在于，包括以下步骤：
S1：采集数控机床中主轴电流信号数据；
S2：将采集的数控机床中主轴电流信号数据进行数据的预处理，采用小波包变换分析，得出时频图，并将时频图转换成64*64*3图像；
S3：利用先验知识，当车刀磨损量在0.252mm时，电流信号与车刀磨损量呈现线性关系，将车刀的磨损量在0.252mm与0.23之间定义为警报区；
S4：将警报区阶段的电流信号数据作为数据样本，并使用对抗神经网络使数据样本增强；
所述步骤S4中使用对抗神经网络使数据样本增强，将小波包变换处理的图像转换成矩阵，并在真实数据样本提取矩阵中向量作为输入进行反卷积得到新的图像特征，将图像样本传输至判别器D中进行判别，若为真，则列为样本数据，判别器D优化，否则放弃该图像样本数据，G生成器优化，最后将判别为真的样本数据作为数据集；
S5：用增强后的数据样本中的电流信号数据训练CNN模型，调整CNN模型参数，将刀具磨损分为初级磨损、正常磨损、警报区、剧烈磨损；
S6：将待测电流信号数据输入训练后的CNN模型，得到分类结果。
2.根据权利要求1所述的基于对抗神经网络的车刀磨损判定方法，其特征在于：所述步骤S1中，采集的数控机床中主轴电流信号数据包括采集主轴空转的电流信号、刀具工作从开始到磨损时主轴负载的电流信号。
3.根据权利要求1所述的基于对抗神经网络的车刀磨损判定方法，其特征在于，所述步骤S2中，采用滑动平均信号提取，使用小波包变换分析，并将得到的图像进行转换。
4.根据权利要求1所述的基于对抗神经网络的车刀磨损判定方法，其特征在于，所述步骤S4中反卷积过程为：将警报区真实数据进行向量提取，进行反卷积得到4*4*1024的矩阵；对下一次进行反卷积得到8*8*512；对下一层进行反卷积得到16*16*256；依次类推，最终得到64*64*3的图像。
5.根据权利要求1所述的基于对抗神经网络的车刀磨损判定方法，其特征在于，所述步骤S5中，
首先将所得到的数据集分成训练集、测试集、验证集，其中包括所得到增强的警报区数据集；
然后将数据集进行小波包变换处理；
接着添加多层卷积层，建立卷积神经网络结构：第一层，使用卷积层与池化层，步长为1，激活函数为RELU；第二层，使用卷积层与池化层，步长为1，激活函数为RELU；在第二层后面，添加Dropout防止过拟合；
再用训练集对卷积神经网络进行训练，将刀具磨损分为初级磨损、正常磨损、警报区、剧烈磨损。
6.根据权利要求1所述的基于对抗神经网络的车刀磨损判定方法，其特征在于，所述步骤S6中，将测试集数据输入到训练好的卷积神经网络中，得到分类结果，当分类结果为警报区，提醒刀具更换。
CN202010240333.7A 2020-03-31 2020-03-31 基于对抗神经网络的车刀磨损判定方法 Active CN111390648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010240333.7A CN111390648B (zh) 2020-03-31 2020-03-31 基于对抗神经网络的车刀磨损判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010240333.7A CN111390648B (zh) 2020-03-31 2020-03-31 基于对抗神经网络的车刀磨损判定方法

Publications (2)

Publication Number Publication Date
CN111390648A CN111390648A (zh) 2020-07-10
CN111390648B true CN111390648B (zh) 2021-12-28

Family

ID=71416592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010240333.7A Active CN111390648B (zh) 2020-03-31 2020-03-31 基于对抗神经网络的车刀磨损判定方法

Country Status (1)

Country Link
CN (1) CN111390648B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112091727A (zh) * 2020-08-12 2020-12-18 上海交通大学 一种基于虚拟样本生成的刀具破损识别方法、装置和终端
CN112179947B (zh) * 2020-09-27 2023-11-17 上海飞机制造有限公司 一种基于多特征因子统计的刀具磨损预警方法
CN112705766B (zh) * 2020-12-18 2022-02-11 成都航空职业技术学院 一种刀具非均匀磨损状态监测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS56119359A (en) * 1980-02-26 1981-09-18 Mitsubishi Heavy Ind Ltd Discriminator of damage of tool
CN107584334A (zh) * 2017-08-25 2018-01-16 南京航空航天大学 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法
CN108319962A (zh) * 2018-01-29 2018-07-24 安徽大学 一种基于卷积神经网络的刀具磨损监测方法
CN108942409A (zh) * 2018-08-26 2018-12-07 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法
CN109048492A (zh) * 2018-07-30 2018-12-21 北京航空航天大学 基于卷积神经网络的刀具磨损状态检测方法、装置及设备
CN109262368A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具失效判定方法
CN109262369A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具状态检测系统及方法
CN109753923A (zh) * 2018-12-29 2019-05-14 晋西车轴股份有限公司 刀具磨损量的监测方法、系统、设备及计算机可读存储介质
CN109822398A (zh) * 2019-03-25 2019-05-31 华中科技大学 一种基于深度学习的数控机床断刀检测系统及方法
CN109822399A (zh) * 2019-04-08 2019-05-31 浙江大学 基于并行深度神经网络的数控机床刀具磨损状态预测方法
CN110153802A (zh) * 2019-07-04 2019-08-23 西南交通大学 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法
CN110287800A (zh) * 2019-05-29 2019-09-27 河海大学 一种基于sgse-gan的遥感图像场景分类方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS56119359A (en) * 1980-02-26 1981-09-18 Mitsubishi Heavy Ind Ltd Discriminator of damage of tool
CN107584334A (zh) * 2017-08-25 2018-01-16 南京航空航天大学 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法
CN108319962A (zh) * 2018-01-29 2018-07-24 安徽大学 一种基于卷积神经网络的刀具磨损监测方法
CN109048492A (zh) * 2018-07-30 2018-12-21 北京航空航天大学 基于卷积神经网络的刀具磨损状态检测方法、装置及设备
CN108942409A (zh) * 2018-08-26 2018-12-07 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法
CN109262368A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具失效判定方法
CN109262369A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具状态检测系统及方法
CN109753923A (zh) * 2018-12-29 2019-05-14 晋西车轴股份有限公司 刀具磨损量的监测方法、系统、设备及计算机可读存储介质
CN109822398A (zh) * 2019-03-25 2019-05-31 华中科技大学 一种基于深度学习的数控机床断刀检测系统及方法
CN109822399A (zh) * 2019-04-08 2019-05-31 浙江大学 基于并行深度神经网络的数控机床刀具磨损状态预测方法
CN110287800A (zh) * 2019-05-29 2019-09-27 河海大学 一种基于sgse-gan的遥感图像场景分类方法
CN110153802A (zh) * 2019-07-04 2019-08-23 西南交通大学 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法

Also Published As

Publication number Publication date
CN111390648A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111390648B (zh) 基于对抗神经网络的车刀磨损判定方法
Madhusudana et al. Condition monitoring of face milling tool using K-star algorithm and histogram features of vibration signal
D’Addona et al. Tool-wear prediction and pattern-recognition using artificial neural network and DNA-based computing
Kozłowski et al. Machining sensor data management for operation-level predictive model
CN112766182B (zh) 一种拉削刀具磨损状态识别方法
CN108444708A (zh) 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN113664612A (zh) 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法
CN108544303A (zh) 一种数控机床主轴故障诊断方法及系统
Yan et al. A hybrid method for on-line performance assessment and life prediction in drilling operations
CN108393744B (zh) 一种刀具状态多传感监测方法
CN111717753A (zh) 基于多维故障特征的自适应电梯故障预警系统及方法
CN114749996A (zh) 基于深度学习和时序回归模型的刀具剩余寿命预测方法
CN116070527A (zh) 基于退化模型的铣削刀具剩余寿命预测方法
CN117391458B (zh) 基于数据分析的安全生产风险检测预警方法及系统
Maeda et al. Method for automatically recognizing various operation statuses of legacy machines
CN113043073A (zh) 一种刀具磨损及寿命预测方法及装置
CN110647108A (zh) 数据驱动的数控车削元动作能耗预测方法
Al–Habaibeh et al. Self-learning algorithm for automated design of condition monitoring systems for milling operations
CN113369993A (zh) 一种小样本下刀具磨损状态监测方法
Gangadhar et al. Condition monitoring of single point cutting tools based on machine learning approach
K. Rai et al. Prediction of drill-bit breakage from degradation signals using Mahalanobis-Taguchi system analysis
CN116166997A (zh) 一种智能主轴服役状态诊断方法、系统、设备及介质
Jain et al. Distributed diagnostics, prognostics and maintenance planning: realizing industry 4.0
Elbestawi et al. Tool condition monitoring in machining
CN115062723A (zh) 一种检测二元自相关过程异常的代价敏感层次分类模型

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