CN111832624A - 一种基于对抗迁移学习的刀具剩余寿命预测方法 - Google Patents
一种基于对抗迁移学习的刀具剩余寿命预测方法 Download PDFInfo
- Publication number
- CN111832624A CN111832624A CN202010537800.2A CN202010537800A CN111832624A CN 111832624 A CN111832624 A CN 111832624A CN 202010537800 A CN202010537800 A CN 202010537800A CN 111832624 A CN111832624 A CN 111832624A
- Authority
- CN
- China
- Prior art keywords
- tool
- cutter
- new
- data
- historical
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013508 migration Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000005520 cutting process Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000006978 adaptation Effects 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000005012 migration Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 13
- 238000003754 machining Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- B23Q17/0995—Tool life management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明公开了一种基于对抗迁移学习的刀具剩余寿命预测方法，包括：采集不同类型刀具切削加工过程的数据，确定历史类刀具样本以及新类刀具样本；利用历史类刀具样本的数据，构建历史类的特征提取模型以及非线性回归模型；将历史类刀具样本的数据与新类刀具样本的数据进行对抗域适应，构建新类的特征提取模型；利用S13构建的新类的特征提取模型对新类刀具样本进行时间序列信号的分析和提取，并将历史类的非线性回归模型迁移至新类刀具，实现新类刀具的剩余寿命预测。本发明的基于对抗迁移学习的刀具剩余寿命预测方法，实现了新工艺条件下预测模型的快速构建，降低了对新类刀具样本量的要求，提高了刀具寿命预测准确度，具有较强的适用性。
Description
技术领域
本发明涉及机械加工技术领域，特别涉及一种基于对抗迁移学习的刀具剩余寿命预测方法。
背景技术
随着信息化技术和人工智能的快速发展，车间数字化和智能化程度越来越高，刀具作为机械加工系统的重要组成部分，同时也是切削加工过程的直接执行者，是最容易发生磨损和故障的部件，其加工寿命对于保证加工质量、提高生产效率、实现自动化和智能化生产具有重要意义，因此对刀具寿命的准确预测尤为重要。
目前关于刀具剩余寿命的预测方法主要分为三类，一类是基于经验模型的方法，如 Taylor公式及其扩展方程；一类是基于数值仿真分析的方法，如有限元分析模型；还有一类是基于机器学习的方法，是目前应用最为广泛的方法，其主要包括浅层机器学习方法和深度学习方法两种，浅层模型如支持向量回归，隐马尔可夫模型等，深度模型如自编码器，循环神经网络等。
上述方法虽然取得了一定的效果，但是在实际工程应用中仍然存在以下缺陷和不足： (1)模型的建立依赖大量标注的样本数据，而实际数据的获取困难，尤其当企业采用新材料、新工艺、新类型刀具时，新条件下的样本数据量更少；(2)实际生产过程中工况复杂，工艺条件多变，不同工艺条件下的刀具性能衰退差异大，模型适用性差；(3)新工艺条件下，样本数据量少，基于历史数据建立的模型失效，而重新建立新的有效模型则缺乏足够的有标签样本，导致刀具寿命预测困难。
发明内容
本发明针对上述现有技术中存在的问题，提出一种基于对抗迁移学习的刀具剩余寿命预测方法，实现了新工艺条件下预测模型的快速构建，降低了对新类刀具样本量的要求，提高了刀具寿命预测准确度，具有较强的适用性。
为解决上述技术问题，本发明是通过如下技术方案实现的：
本发明提供一种基于对抗迁移学习的刀具剩余寿命预测方法，其包括：
S11：采集不同类型刀具切削加工过程的数据，确定历史类刀具样本以及新类刀具样本；
S12：利用所述历史类刀具样本的数据，构建历史类的特征提取模型以及非线性回归模型；
S13：将所述历史类刀具样本的数据与新类刀具样本的数据进行对抗域适应，构建新类的特征提取模型；
S14：利用所述S13构建的新类的特征提取模型对新类刀具样本进行时间序列信号的分析和提取，并将所述历史类的非线性回归模型迁移至新类刀具，实现新类刀具的剩余寿命预测。
较佳地，所述S12进一步包括：
S121：对所述历史类刀具样本的原始数据进行预处理，构造用于特征提取模型训练的时间序列数据集；
S122：确定特征提取模型以及非线性回归模型的网络结构及优化方式；
S123：初始化网络参数，并利用训练集进行模型参数训练，预测刀具剩余寿命值，基于预测结果计算回归损失：
其中，Lreg为回归损失，Ys为刀具剩余寿命理论值，Ys′为刀具剩余寿命预测值，E(·)表示期望；
S124：通过最小化损失函数来调整模型参数，经过多次迭代后，最终得到特征提取模型以及非线性回归模型。
较佳地，所述S13进一步包括：
S31：对所述新类刀具样本的数据进行预处理，构造用于新类的特征提取模型训练的时间序列数据集；
S32：利用历史类的特征提取模型的网络参数对新类的特征提取模型进行初始化，并分别将历史类和新类刀具样本数据集输入到两个特征提取网络中，进行历史类和新类样本数据的时间序列特征提取；
S33：将所述S32提取得到的时间序列特征输入到辨别器网络中，得到历史类和新类刀具切削加工过程信号对应的域标签；基于域标签，分别计算辨别器D和新类刀具样本的特征提取模型的损失：
LadvD＝-E[log D(Ms(xs))]-E[log(1-D(Mt(xt)))]
LadvG＝-E[log(D(Mt(xt)))]
其中，LadvD为生成器损失，LadvG为辨别器损失，xt为新类刀具样本数据，Mt(·)为新类信号特征提取网络，xs为历史类刀具样本数据，Ms(·)为历史类信号特征提取网络，D(·)为辨别器网络，E(·)表示数学期望；
S34：最小化所述S33中得到的损失以实现辨别器和生成器网络参数的调整和更新，直到损失不发生变化，辨别器无法分辨信号来自历史类刀具样本还是新类刀具样本，此时完成新类样本的特征提取模型的构建。
较佳地，所述S11中的采集不同类型刀具切削加工过程的数据进一步包括：利用刀具状态监测系统、刀具管理系统收集不同工艺条件下刀具切削加工过程的数据；
其中，所述刀具切削加工过程的数据包括：机床型号、工件信息、刀具信息、切削参数以及功率和/或声发射实时监测数据。
较佳地，所述功率信号和/或声发射信号实时监测数据为多维时间序列。
较佳地，所述工件信息包括：工件材料性能数据；进一步地，
所述刀具信息包括：刀具类型以及刀具几何参数。
较佳地，所述步骤S11中，历史类刀具与新类刀具的划分是基于工艺条件信息，工艺条件信息包括：机床型号、工件信息、刀具信息以及切削参数信息。
较佳地，所述工件信息包括：工件材料性能数据；进一步地，
所述刀具信息包括：刀具类型以及刀具几何参数。
相较于现有技术，本发明具有以下优点：
(1)本发明提供的基于对抗迁移学习的刀具剩余寿命预测方法，通过对抗迁移学习来实现新类刀具的剩余寿命预测，可以有效解决实际生产过程中，在新工艺条件下，基于历史类刀具样本建立的模型失效，而新工艺条件下又缺失足够的标注样本建立新的有效预测模型的问题，实现了新工艺条件下预测模型的快速构建，降低了对新类刀具样本量的要求，提高了刀具寿命预测准确度，具有较强的适用性；
(2)本发明提供的基于对抗迁移学习的刀具剩余寿命预测方法，降低了对新类刀具样本数据量的需求，可以将历史类刀具预测模型进行迁移，实现对新类刀具剩余寿命的准确预测；
(3)本发明提供的基于对抗迁移学习的刀具剩余寿命预测方法，通过特征提取模型对原始信号进行时序特征的自动提取，无需依赖先验知识，适应性好，可靠性高；
(4)本发明提供的基于对抗迁移学习的刀具剩余寿命预测方法，通过功率信号和/或声发射实时监测信号进行分析，能够很好的反映刀具加工状态。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
下面结合附图对本发明的实施方式作进一步说明：
图1为本发明一实施例的基于对抗迁移学习的刀具剩余寿命预测方法的流程图；
图2为本发明一实施例的对抗域适应示意图；
图3为本发明一实施例的刀具剩余寿命预测值与理论值的对比示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示为本发明一实施例的基于对抗迁移学习的刀具剩余寿命预测方法的流程图。
请参考图1，本实施例的刀具剩余寿命预测方法包括以下步骤：
S11：采集不同类型刀具切削加工过程的数据，确定历史类刀具样本以及新类刀具样本；
S12：利用历史类刀具样本的数据，构建历史类的特征提取模型以及非线性回归模型；
S13：将历史类刀具样本的数据与新类刀具样本的数据进行对抗域适应，构建新类的特征提取模型；
S14：利用S13构建的新类的特征提取模型对新类刀具样本进行时间序列信号的分析和提取，并将历史类的非线性回归模型迁移至新类刀具，实现新类刀具的剩余寿命预测。
较佳实施例中，S11进一步包括：基于实际加工现场情况，确定工艺参数并进行调整，进行不同类型刀具寿命实验。利用刀具管理系统跟踪记录机床编号、工件材料性能数据、刀具信息以及切削参数等信息；利用声发射、功率传感器采集零件加工过程的实时监测信号。一实施例共包含两种不同的加工工艺条件，工艺条件包括刀具类型、刀具修磨量以及切削参数。历史工艺条件下的刀具数量为7，新工艺条件下的刀具数量为2。
较佳实施例中，S12进一步包括：
S21、功率信号和/或声发射信号监测系统采集得到的加工过程信号为多维时间序列数据，包括信号能量、幅值、均方根值、平均信号电平、信号强度和绝对能量等。以刀具加工单个零件特征作为信号处理单元，实际加工过程中每个信号处理单元中采样点数可能不同，信号长度不一，为了方便后续建模分析，需要进行数据的预处理，主要包括如下步骤：
(1)模型输入信号的预处理
针对每个信号处理单元，以汽轮机转子轮槽加工为例，信号处理单元为每条轮槽加工过程，对多维时间序列信号进行均匀采样处理，并设置相同的采样点数。然后，针对每个信号处理单元按照时间顺序进行等距划分，得到信号分析单元，每个信号分析单元对应一个刀具剩余寿命标签，以此作为LSTM模型的输入数据集；
(2)刀具剩余寿命标签值的预处理
刀具磨损前期其性能衰退较弱，刀具加工状态良好，而磨损中后期刀具性能衰退明显。实际生产中，操作者更加关心刀具磨损中后期的寿命状态，刀具剩余寿命预测的重点在于其衰退后期的预测。因此，依据经验设置刀具寿命拐点值，即刀具剩余寿命最大值，对刀具衰退阶段进行划分。以汽轮机转子轮槽加工为例，设置刀具寿命拐点值为5条槽，则刀具前期加工过程中，其剩余寿命值保持最大值不变，直到其加工至5条槽时，其剩余寿命值开始逐渐减少；
进一步，按照模型输入信号的处理方法，对每个信号处理单元的刀具剩余寿命值进行等距划分，得到刀具剩余寿命分析单元。每个信号分析单元包含多维时间序列信号和一维刀具剩余寿命标签，构成LSTM模型训练的数据集；
S22、确定LSTM模型和非线性回归模型的网络结构及优化方式，其中，LSTM模型的隐含层数设置为3，每层节点数为256，在LSTM网络结构的不同循环体之间使用dropout，隐含节点的dropout率设为0.5，初始学习率设定为η＝0.0005；非线性回归模型包含两个全连接层神经网络，节点数为(256，32)，以及最后一层输出层；
S23、初始化网络参数，并利用上述构建的时间序列数据集进行训练，预测刀具剩余寿命，并基于预测结果计算回归损失：
其中，Lreg为回归损失，Ys为刀具剩余寿命理论值，Ys′为刀具剩余寿命预测值，E(·)表示期望；
S24、通过最小化损失来更新模型参数，经过多次训练迭代，最终得到历史类的特征提取模型LSTM和非线性回归模型。
较佳实施例中，如图2所示，S13进一步包括：
S31、采用步骤S21中的方法，对新类刀具样本数据进行预处理，构造时间序列数据集，并将新类刀具样本数据按照1：1的比例划分为训练集和测试集，即1把刀具用于训练，1把刀具用于测试；
S32、利用历史类特征提取模型LSTM的网络参数对新类样本的特征提取模型进行初始化，将构造好的历史类和新类刀具样本数据集分别输入到两个信号特征提取网络中，进行时间序列特征的提取；
S33、将提取好的时间序列特征输入到辨别器网络中，计算不同类刀具切削加工过程信号对应的域标签，利用域标签值计算辨别器D和生成器G的损失：
LadvD＝-E[log D(Ms(xs))]-E[log(1-D(Mt(xt)))]
LadvG＝-E[log(D(Mt(xt)))]
其中，LadvD为生成器损失，LadvG为辨别器损失，xt为新类刀具样本数据，Mt(·)为新类信号特征提取网络，xs为历史类刀具样本数据，Ms(·)为历史类信号特征提取网络，D(·)为辨别器网络，E(·)表示数学期望；
S34、采用Adam优化器最小化上述损失以实现辨别器和生成器网络参数的调整和更新，辨别器和生成器采用不同的学习速率，并分别设定为ηD＝0.00025,ηG＝0.0005，训练过程中针对两者的损失值大小情况，按照损失越大训练次数越多的原则确定训练方式，以达到稳定的平衡状态。当损失不发生变化，辨别器无法分辨信号来自历史类还是新类刀具样本，此时完成新类样本特征提取模型的构建。
为了验证本发明所提方法(DATL)的有效性，一实例对比了仅利用历史类刀具建立的 LSTM模型进行分析的方法(LSTM)。如图3所示为本发明一实施例的刀具剩余寿命预测值与理论值的对比示意图，可以看出，采用本发明所示的刀具剩余寿命预测方法，预测的刀具剩余寿命值与理论值(Real RUL)非常接近，然而采用LSTM方法的预测误差则较大，这说明本发明方法的有效性，提高了模型的泛化能力和准确性，对于实际加工过程数据收集困难，模型适用能力差的问题提供合理有效的解决方案。
此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化，均应落在本发明所保护的范围内。
Claims (10)
1.一种基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，包括：
S11：采集不同类型刀具切削加工过程的数据，确定历史类刀具样本以及新类刀具样本；
S12：利用所述历史类刀具样本的数据，构建历史类的特征提取模型以及非线性回归模型；
S13：将所述历史类刀具样本的数据与新类刀具样本的数据进行对抗域适应，构建新类的特征提取模型；
S14：利用所述S13构建的新类的特征提取模型对新类刀具样本进行时间序列信号的分析和提取，并将所述历史类的非线性回归模型迁移至新类刀具，实现新类刀具的剩余寿命预测。
2.根据权利要求1所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述S12进一步包括：
S121：对所述历史类刀具样本的原始数据进行预处理，构造用于特征提取模型训练的时间序列数据集；
S122：确定特征提取模型以及非线性回归模型的网络结构及优化方式；
S123：初始化网络参数，并利用训练集进行模型参数训练，预测刀具剩余寿命值，基于预测结果计算回归损失：
其中，Lreg为回归损失，Ys为刀具剩余寿命理论值，Ys′为刀具剩余寿命预测值，E(·)表示期望；
S124：通过最小化损失函数来调整模型参数，经过多次迭代后，最终得到特征提取模型以及非线性回归模型。
3.根据权利要求1或2所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述S13进一步包括：
S31：对所述新类刀具样本的数据进行预处理，构造用于新类的特征提取模型训练的时间序列数据集；
S32：利用历史类的特征提取模型的网络参数对新类的特征提取模型进行初始化，并分别将历史类和新类刀具样本数据集输入到两个特征提取网络中，进行历史类和新类样本数据的时间序列特征提取；
S33：将所述S32提取得到的时间序列特征输入到辨别器网络中，得到历史类和新类刀具切削加工过程信号对应的域标签；基于域标签，分别计算辨别器D和新类刀具样本的特征提取模型的损失：
LadvD＝-E[log D(Ms(xs))]-E[log(1-D(Mt(xt)))]
LadvG＝-E[log(D(Mt(xt)))]
其中，LadvD为生成器损失，LadvG为辨别器损失，xt为新类刀具样本数据，Mt(·)为新类信号特征提取网络，xs为历史类刀具样本数据，Ms(·)为历史类信号特征提取网络，D(·)为辨别器网络，E(·)表示数学期望；
S34：最小化所述S33中得到的损失以实现辨别器和生成器网络参数的调整和更新，直到损失不发生变化，辨别器无法分辨信号来自历史类刀具样本还是新类刀具样本，此时完成新类样本的特征提取模型的构建。
4.根据权利要求1或2所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述S11中的采集不同类型刀具切削加工过程的数据进一步包括：利用刀具状态监测系统、刀具管理系统收集不同工艺条件下刀具切削加工过程的数据；
其中，所述刀具切削加工过程的数据包括：机床型号、工件信息、刀具信息、切削参数以及功率信号和/或声发射信号实时监测数据。
5.根据权利要求3所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述S11中的采集不同类型刀具切削加工过程的数据进一步包括：利用刀具状态监测系统、刀具管理系统收集不同工艺条件下刀具切削加工过程的数据；
其中，所述刀具切削加工过程的数据包括：机床型号、工件信息、刀具信息、切削参数以及功率和/或声发射实时监测数据。
6.根据权利要求4所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述功率信号和/或声发射信号实时监测数据为多维时间序列。
7.根据权利要求5所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述功率信号和/或声发射信号实时监测数据为多维时间序列。
8.根据权利要求6或7所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述工件信息包括：工件材料性能数据；进一步地，
所述刀具信息包括：刀具类型以及刀具几何参数。
9.根据权利要求1所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述步骤S11中，历史类刀具与新类刀具的划分是基于工艺条件信息，工艺条件信息包括：机床型号、工件信息、刀具信息以及切削参数信息。
10.根据权利要求9任一项所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述工件信息包括：工件材料性能数据；进一步地，
所述刀具信息包括：刀具类型以及刀具几何参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010537800.2A CN111832624A (zh) | 2020-06-12 | 2020-06-12 | 一种基于对抗迁移学习的刀具剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010537800.2A CN111832624A (zh) | 2020-06-12 | 2020-06-12 | 一种基于对抗迁移学习的刀具剩余寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111832624A true CN111832624A (zh) | 2020-10-27 |
Family
ID=72899130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010537800.2A Pending CN111832624A (zh) | 2020-06-12 | 2020-06-12 | 一种基于对抗迁移学习的刀具剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111832624A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380992A (zh) * | 2020-11-13 | 2021-02-19 | 上海交通大学 | 一种加工过程监控数据准确性评估与优化方法及装置 |
| CN112668227A (zh) * | 2020-12-31 | 2021-04-16 | 华中科技大学 | 一种薄壁件让刀变形误差预测模型建立方法及其应用 |
| CN113297787A (zh) * | 2021-05-12 | 2021-08-24 | 北京航空航天大学 | 一种基于迁移学习的航空发动机剩余寿命预测方法 |
| CN113780208A (zh) * | 2021-09-16 | 2021-12-10 | 华中科技大学 | 一种基于对抗迁移学习的刀具磨损状态预测方法及装置 |
| CN114036848A (zh) * | 2021-11-16 | 2022-02-11 | 国网湖北省电力有限公司经济技术研究院 | 一种电力设备的寿命预测方法及装置 |
| CN114580305A (zh) * | 2022-03-28 | 2022-06-03 | 浙江工业大学 | 一种海洋浮标运动特性的域适应迁移建模与预测方法 |
| CN115167276A (zh) * | 2022-06-22 | 2022-10-11 | 武汉益模科技股份有限公司 | 一种基于刀路运行轨迹的刀具寿命预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109465676A (zh) * | 2018-09-13 | 2019-03-15 | 成都数之联科技有限公司 | 一种刀具寿命预测方法 |
| CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
| CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
| CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
| CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
-
2020
- 2020-06-12 CN CN202010537800.2A patent/CN111832624A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109465676A (zh) * | 2018-09-13 | 2019-03-15 | 成都数之联科技有限公司 | 一种刀具寿命预测方法 |
| CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
| CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
| CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
| CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 蔡立伟 等: "基于迁移学习的刀具剩余寿命预测方法研究", 《计算机集成制造系统》 * |
| 迈克·贝尼科: "《深度学习快速实践 基于TensorFlow和Keras的深度神经网络优化与训练》", 机械工业出版社 * |
| 陈宗海: "《系统仿真技术及其应用》", 31 August 2017 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380992A (zh) * | 2020-11-13 | 2021-02-19 | 上海交通大学 | 一种加工过程监控数据准确性评估与优化方法及装置 |
| CN112380992B (zh) * | 2020-11-13 | 2022-12-20 | 上海交通大学 | 一种加工过程监控数据准确性评估与优化方法及装置 |
| CN112668227A (zh) * | 2020-12-31 | 2021-04-16 | 华中科技大学 | 一种薄壁件让刀变形误差预测模型建立方法及其应用 |
| CN112668227B (zh) * | 2020-12-31 | 2024-02-02 | 华中科技大学 | 一种薄壁件让刀变形误差预测模型建立方法及其应用 |
| CN113297787A (zh) * | 2021-05-12 | 2021-08-24 | 北京航空航天大学 | 一种基于迁移学习的航空发动机剩余寿命预测方法 |
| CN113297787B (zh) * | 2021-05-12 | 2021-12-17 | 北京航空航天大学 | 一种基于迁移学习的航空发动机剩余寿命预测方法 |
| CN113780208A (zh) * | 2021-09-16 | 2021-12-10 | 华中科技大学 | 一种基于对抗迁移学习的刀具磨损状态预测方法及装置 |
| CN114036848A (zh) * | 2021-11-16 | 2022-02-11 | 国网湖北省电力有限公司经济技术研究院 | 一种电力设备的寿命预测方法及装置 |
| CN114580305A (zh) * | 2022-03-28 | 2022-06-03 | 浙江工业大学 | 一种海洋浮标运动特性的域适应迁移建模与预测方法 |
| CN114580305B (zh) * | 2022-03-28 | 2023-04-07 | 浙江工业大学 | 一种海洋浮标运动特性的域适应迁移建模与预测方法 |
| CN115167276A (zh) * | 2022-06-22 | 2022-10-11 | 武汉益模科技股份有限公司 | 一种基于刀路运行轨迹的刀具寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111832624A (zh) | 一种基于对抗迁移学习的刀具剩余寿命预测方法 | |
| CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN111230887B (zh) | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 | |
| CN109822399B (zh) | 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 | |
| CN109270899B (zh) | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 | |
| CN110288136B (zh) | 风电功率多步预测模型建立方法 | |
| CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
| CN109615113A (zh) | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 | |
| CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
| CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
| CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
| CN113496312A (zh) | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 | |
| CN113798920B (zh) | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 | |
| CN111475921A (zh) | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
| CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
| CN111736574B (zh) | 一种通用的火电厂故障诊断系统及其诊断方法 | |
| CN115081763B (zh) | 一种数控车床车削过程能耗预测系统 | |
| CN116128221B (zh) | 一种基于数字孪生的航发叶片再制造生产线调度方法 | |
| CN114239938A (zh) | 一种基于状态的能源数字孪生体的构建方法 | |
| CN113673166A (zh) | 面向加工质量预测的数字孪生模型工况自适应方法及系统 | |
| CN117341261B (zh) | 一种伺服直驱螺旋压力机智能控制方法及系统 | |
| Yang et al. | Change-point estimation for repairable systems combining bootstrap control charts and clustering analysis: Performance analysis and a case study | |
| CN114462317A (zh) | 基于gru神经网络的智能刀柄辅助铣削刀具寿命预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201027 |
|
| RJ01 | Rejection of invention patent application after publication |