CN112435363A - 一种刀具磨损状态实时监测方法 - Google Patents

一种刀具磨损状态实时监测方法 Download PDF

Info

Publication number
CN112435363A
CN112435363A CN201910788319.8A CN201910788319A CN112435363A CN 112435363 A CN112435363 A CN 112435363A CN 201910788319 A CN201910788319 A CN 201910788319A CN 112435363 A CN112435363 A CN 112435363A
Authority
CN
China
Prior art keywords
layer
time
network
bilstm
time sequence
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.)
Granted
Application number
CN201910788319.8A
Other languages
English (en)
Other versions
CN112435363B (zh
Inventor
陈启鹏
袁庆霓
谢庆生
黄海松
李宜汀
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.)
Guizhou University
Original Assignee
Guizhou 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 Guizhou University filed Critical Guizhou University
Priority to CN201910788319.8A priority Critical patent/CN112435363B/zh
Publication of CN112435363A publication Critical patent/CN112435363A/zh
Application granted granted Critical
Publication of CN112435363B publication Critical patent/CN112435363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种刀具磨损状态实时监测方法，包括如下步骤：利用加速度传感器实时采集原始振动信号，并经连续采样裁剪为2000个采样点组成（2000,3）的时序信号；将尺寸为（2000，3）的时序信号作为输入数据输入一维卷积神经网络（CNN）进行邻域滤波，利用滑动窗口进行计算，最终得到单个时间步时序信号的高维特征；采用改进的双向长短时记忆网络（BiLSTM）处理连续时间步时序信号产生的高维特征；引入Attention机制计算连续时间步时序信号特征的重要性分布，生成含有注意力概率分布的时序信号特征模型；进行网络模型的训练，得到磨损分类结果。本发明具有提高网络模型实时监测的识别精度和泛化性能的特点。

Description

一种刀具磨损状态实时监测方法
技术领域
本发明属于制造过程监测领域，具体涉及一种刀具磨损状态实时监测方法。
背景技术
在机械加工过程中，切削加工是零件成形最主要的加工方式，刀具的磨损状态将直接影响零件的加工精度、表面质量以及生产效率，因此，刀具状态监测(Tool ConditionMonitoring,TCM)技术对于保证加工质量、实现连续自动化加工具有非常重要的意义。刀具状态监测方法目前主要采用间接测量法，该方法能在刀具切削过程中通过传感器实时采集信号，经过数据处理和特征提取后，采用机器学习(Machine Learning,ML)模型对刀具磨损量进行监测。
现有技术中，Zhang Cunji等提出将加工过程中刀具的振动信号通过小波包转换(Wavelet Packet Transform,WPT)转变为能量频谱图，输入到卷积神经网络中自动提取特征并进行准确分类。German Terrazas等提出基于 GASF组件将刀具在高速铣削过程中产生的大量连续的力信号自动转换为二维图像，输入到卷积神经网络获取刀具的磨损状态。CaoDali等提出利用密集连接的方式构建深度神经网络DenseNet，从原始的时序信号中自适应地提取刀具加工信号中隐藏的高维特征，表明加深网络层数有助于提高刀具磨损监测模型的精度。以上方法均采用深度学习的方式自适应的提取特征，但未考虑到时序信号间的前后关联程度这一特征，并且使用的卷积神经网络过多依赖于高维度特征提取，卷积层数过多容易出现梯度弥散，卷积层数过少无法把握全局，导致网络模型实时监测的识别准确率和泛化性能差。
发明内容
本发明的目的在于克服上述缺点而提出了一种能有效的提升网络模型实时监测的识别精度和泛化性能的刀具磨损状态实时监测方法。
本发明的一种刀具磨损状态实时监测方法，包括如下步骤：
步骤一：利用加速度传感器实时采集数控加工设备在加工工件的过程中产生的原始振动信号，并将原始振动信号的x、y、z方向振动信号经连续采样裁剪为2000个采样点组成(2000,3)的时序信号；
步骤二：单个时间步时序信号进行局部特征提取：将尺寸为(2000，3) 的时序信号作为输入数据输入一维卷积神经网络(CNN)进行邻域滤波，利用滑动窗口进行计算，最终得到单个时间步时序信号的高维特征；即通过一维卷积神经网络对时序信号进行特征提取，将时序信号表达为高维特征，便于后续的时间序列特征提取；
所述卷积神经网络部分包括2层卷积层(Convolutional Layer)和1层池化层(Pooling Layer)，卷积层通过一维卷积运算的方式将每一维度的时序信号进行邻域滤波以生成特征映射，每个特征图可以被看作不同滤波器对当前时间步时序信号的卷积操作；
所述一维卷积层运算的计算公式如下：
Figure RE-GDA0002272853780000021
其中：
Figure RE-GDA0002272853780000022
表示第l层的第j个特征映射，f表示激活函数，M表示输入特征映射的数量，
Figure RE-GDA0002272853780000023
表示第l-1层的第i个特征映射，
Figure RE-GDA0002272853780000024
表示可训练的卷积核，
Figure RE-GDA0002272853780000025
表示偏置参数；所述激活函数采用Relu激活函数；
所述池化层采用最大值池化对邻域内的特征点取最大值，公式如下：
Figure RE-GDA0002272853780000026
其中：
Figure RE-GDA0002272853780000027
表示第l层的第i个特征矢量中的第t个神经元的值， t∈[(j-1)w+1,jw]；w为池化区域的宽度；
Figure RE-GDA0002272853780000028
表示第l+1层神经元对应的值。
步骤三：时序信号的时间序列特征提取：采用改进的双向长短时记忆网络(BiLSTM)处理连续时间步时序信号产生的高维特征，逐步合成输入信号的向量特征表示；
所述改进的双向长短时记忆网络(BiLSTM)，通过构建两个方向的 LSTM网络共同叠加组成BiLSTM网络，同时，在BiLSTM网络中引入Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力；
所述改进的双向长短时记忆网络(BiLSTM)中共包含256个神经元，正向和反向LSTM网络均由128个神经元组成，每个BiLSTM神经元包括输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)，分别使用i、 f、o来表示，其中，输入门i用于控制网络当前输入信息xt可以保存到记忆单元Ct中的数量，利用Sigmod函数确定需要保存的新信息，利用tanh函数生成一新的候选向量
Figure RE-GDA0002272853780000031
将需要保存的信息送入记忆单元完成更新。遗忘门f用于控制自连接单元，对上一时刻记忆单元Ct-1中的信息进行筛选，确定需要保留在当前记忆单元Ct中的有效信息数量，遗忘无用信息。输出门o控制记忆单元Ct对当前输出值ht的影响，决定记忆单元Ct在时间步t时输出信息的数量。公式如下：
it＝σ(Wxixt+Whiht-1+bi)
Figure RE-GDA0002272853780000039
ft＝σ(Wxfxt+Whfht-1+bf)
Figure RE-GDA0002272853780000032
ot＝σ(Wxoxt+Whoht-1+bo)
ht＝ottanh(Ct)
其中：C表示记忆单元即细胞状态，Ct表示在时间步t时记忆单元状态，
Figure RE-GDA0002272853780000033
表示在时间步t时记忆单元的候选向量，xt表示在时间步t时的输入向量,ht表示在时间步t时的输出向量，W表示网络的权重向量，b表示偏置向量，σ(·)表示Sigmod函数，tanh函数表示双曲正切激活函数。
输入时序信号的高维特征，经正向LSTM网络输出向量
Figure RE-GDA0002272853780000034
反向LSTM 网络输出向量
Figure RE-GDA0002272853780000035
在时间步t时BiLSTM网络输出特征向量为Pt。公式如下：
Figure RE-GDA0002272853780000036
Figure RE-GDA0002272853780000037
Figure RE-GDA0002272853780000038
步骤四：引入Attention机制计算连续时间步时序信号特征的重要性分布，生成含有注意力概率分布的时序信号特征模型；
所述引入的Attention机制通过分配不同的初始化概率权重与BiLSTM 层的各个时间步输出向量进行加权求和，最后经过Sigmod函数计算得到数值；所述Attention机制的计算公式如下：
ut＝tanh(WsPt+bs)
Figure RE-GDA0002272853780000041
ν＝∑αtPt
其中，Pt表示BiLSTM层在时间步t时的输出特征向量，ut表示Pt通过神经网络层得到的隐层表示，us表示随机初始化的上下文向量，αt表示ut通过Softmax函数归一化得到的重要性权重，ν表示最终文本信息的特征向量，即us在训练过程中随机生成，最后经由Softmax函数将Attention层输出值ν进行映射，得到刀具磨损状态的实时分类结果。
步骤五：网络模型的训练：引入了Dropout技术，用以防止模型在训练过程中发生过拟合；网络模型的激活函数采用Softmax，损失函数采用 Categorical_crossentropy，对上述步骤所获得的时序信号特征进行磨损分类，得到分类结果。
所述输入数据为时序信号，时序信号的特征提取与表达通过卷积层(C1 和C2)、Dropout层、池化层(P1)、Flatten层、BiLSTM层、Attention层和全连接层(F1和F2)实现；其中，将尺寸为(2000,3)的时序信号作为输入数据输入到深度学习神经网络，卷积层C1采用3×1的卷积核对时序信号进行卷积，卷积核步长为1，生成(20,98,128)特征图，由卷积层C1输入到卷积层C2，卷积层C2采用3×1的卷积核对时序信号进行卷积，卷积核步长为1，生成(20,96,128)特征图，由卷积层C2经Dropout输入到池化层P1，Dropout为0.5，采用最大值池化的方式，生成(20,48,128)特征图，由池化层P1输入到Flatten层L1，生成(20,6144)特征，由Flatten层 L1输入到BiLSTM层B1，生成(20,256)特征，由BiLSTM层B1经Dropout 输入到Attention层A1，Dropout为0.5，生成256×1特征图，由Attention 层A1输入到全连接层F1，输出128×1特征图，全连接层F1输入到全连接层F2，最终输出3类刀具磨损状态值，用以确认当前时刻刀具的磨损状态。
本发明与现有技术的相比，具有明显的有益效果，由以上方案可知，所述一维卷积神经网络(CNN)主要用于分析时序数据，在一维卷积层上采用多个滤波器对输入的时序数据进行邻域滤波，将获取的特征映射叠加组成卷积层的输出特征图，池化层从每个候选框的特征图中提取固定长度的特征向量进行特征降维，从而提取时序数据中的关键特征，简化网络计算的复杂度。同时，压缩时序信号的长度，减少输入到后续双向LSTM网络中的参数。
所述改进的双向长短时记忆网络(BiLSTM)，通过构建两个方向的 LSTM网络共同叠加组成BiLSTM网络，同时，在BiLSTM网络中引入 Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力，即通过利用正向和反向LSTM网络同时挖掘时序信号间的特征关系，提高模型挖掘长序列信号间特征关系的能力。
总之，本发明利用传感器实时采集刀具加工过程中产生的信号，直接带入CNN网络中进行平行局部特征抽取，然后带入BiLSTM网络中对长距离依赖信息进行特征提取，引入Attention机制计算网络权重并对其进行合理分配，最后，将不同权重的信号特征信息放入Softmax分类器对刀具磨损状态进行分类，避免因人工提取特征带来的复杂性和局限性；同时有效解决了单卷积神经网络忽略时序信号前后关联问题，并避免了循环神经网络梯度弥散和梯度爆炸问题，通过引入了Attention机制提高了模型的准确率。因此，本发明具有提高网络模型实时监测的识别精度和泛化性能的特点。
以下通过具体实施方式，进一步说明本发明的有益效果。
附图说明
图1为本发明的方法流程图；
图2为本发明的BiLSTM神经元内部结构图；
图3为实施例中的CNN-LSTM模型训练和验证图；
图4为实施例中的CNN-BiLSTM模型训练和验证图；
图5为实施例中的Attention CNN-BiLSTM模型训练和验证图；
图6为实施例中的刀具测试集磨损状态监测结果混淆矩阵图。
具体实施方式
以下结合附图及较佳实施例，对依据本发明提出的一种刀具磨损状态实时监测方法的具体实施方式、特征及其功效，详细说明如后。
参见图1，本发明的一种刀具磨损状态实时监测方法，包括如下步骤：
步骤一：利用加速度传感器实时采集数控加工设备在加工工件的过程中产生的振动信号，作为该刀具磨损状态实时监测模型的输入信号，包括αx、αy、αz振动信号，原始振动信号将x、y、z方向的振动信号经连续采样裁剪为2000个采样点组成(2000,3)的张量，作为模型的输入数据带入到模型中。
步骤二：单个时间步时序信号进行局部特征提取：将尺寸为(2000，3) 的时序信号作为输入数据输入一维卷积神经网络(CNN)进行邻域滤波，利用滑动窗口进行计算，最终得到单个时间步时序信号的高维特征；
采用一维卷积神经网络直接处理刀具加工过程中产生的时序信号，其卷积神经网络部分包括2层卷积层(Convolutional Layer,CONV)和1层池化层(Pooling Layer,POOL)，卷积层通过一维卷积运算的方式将每一维度的时序信号进行邻域滤波以生成特征映射，每个特征图可以被看作不同滤波器对当前时间步时序信号的卷积操作。当输入时序信号为xt时，滤波器为wt，卷积层的特征图yt可以表达为：
Figure RE-GDA0002272853780000061
在卷积层中，第l层的每一个神经元都只和第l-1层的一个局部窗口内神经元相连，构成一个局部连接网络。一维卷积层的计算公式如下：
Figure RE-GDA0002272853780000062
其中：
Figure RE-GDA0002272853780000063
表示第l层的第j个特征映射，f表示激活函数，M表示输入特征映射的数量，
Figure RE-GDA0002272853780000064
表示第l-1层的第i个特征映射，
Figure RE-GDA0002272853780000065
表示可训练的卷积核，
Figure RE-GDA0002272853780000066
表示偏置参数。考虑到收敛速度和过拟合问题，本发明的非线性激活函数选用收敛速度较快的修正线性单元(Rectified Linear,Relu)，用于提高网络的稀疏性，减少参数的相互依存关系，缓解过拟合现象的发生。Relu激活函数的公式为：
Figure RE-GDA0002272853780000071
其中：
Figure RE-GDA0002272853780000072
表示卷及操作的输出值；
Figure RE-GDA0002272853780000073
表示
Figure RE-GDA0002272853780000074
的激活值。
卷积层后面连接池化层，用于求取局部最大值或局部均值，即最大值池化(MaxPooling)和均值池化(Mean Pooling)。池化层具有类似于特征选择的功能，可以保证特征在拥有抗变形能力的同时，达到降低特征维度，加快网络训练速度，减少参数数量，提高特征鲁棒性的目的。本发明选用最大值池化对邻域内的特征点取最大值，公式如下：
Figure RE-GDA0002272853780000075
其中：
Figure RE-GDA0002272853780000076
表示第l层的第i个特征矢量中的第t个神经元的值， t∈[(j-1)w+1,jw]；w为池化区域的宽度；
Figure RE-GDA0002272853780000077
表示第l+1层神经元对应的值。
通过一维卷积神经网络对原始数据的特征提取，将时序信号的3维特征更好的表达为高维特征，便于后续的BiLSTM网络进行时间序列特征提取。
步骤三：时序信号的时间序列进行特征提取：采用改进的双向长短时记忆网络(BiLSTM)处理连续时间步时序信号产生的高维特征，逐步合成输入信号的向量特征表示；
所述改进的双向长短时记忆网络(BiLSTM)，通过构建两个方向的 LSTM网络共同叠加组成BiLSTM网络，同时，在BiLSTM网络中引入 Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力；
刀具加工过程中产生的原始信号存在时序关系，LSTM网络可以对时序信号时间序列进行编码，挖掘时间序列中相对较长间隔的时序变化规律。为了让刀具磨损状态实时监测模型更好的学习到时序信号间时间序列特征的依赖关系，提高模型分类的准确率。本发明对现有的长短时记忆网络 (Long Short-Term Memory,LSTM)进行改进，通过构建两个方向的LSTM 网络共同叠加组成BiLSTM网络，同时，在BiLSTM网络中引入Attention 机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力。
本发明构建的BiLSTM网络中共包含256个神经元，正向和反向LSTM 网络均由128个神经元组成，每个BiLSTM神经元包括输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)，分别使用i、f、o来表示。
如图2为BiLSTM神经元内部结构图，其中，输入门i用于控制网络当前输入信息xt可以保存到记忆单元Ct中的数量，利用Sigmod函数确定需要保存的新信息，利用tanh函数生成一新的候选向量
Figure RE-GDA0002272853780000088
将需要保存的信息送入记忆单元完成更新。遗忘门f用于控制自连接单元，对上一时刻记忆单元Ct-1中的信息进行筛选，确定需要保留在当前记忆单元Ct中的有效信息数量，遗忘无用信息。输出门o控制记忆单元Ct对当前输出值ht的影响，决定记忆单元Ct在时间步t时输出信息的数量。公式如下：
it＝σ(Wxixt+Whiht-1+bi)
Figure RE-GDA0002272853780000089
ft＝σ(Wxfxt+Whfht-1+bf)
Figure RE-GDA0002272853780000081
ot＝σ(Wxoxt+Whoht-1+bo)
ht＝ottanh(Ct)
其中：C表示记忆单元即细胞状态，Ct表示在时间步t时记忆单元状态，
Figure RE-GDA0002272853780000082
表示在时间步t时记忆单元的候选向量，xt表示在时间步t时的输入向量,ht表示在时间步t时的输出向量，W表示网络的权重向量，b表示偏置向量，σ(·)表示Sigmod函数，tanh函数表示双曲正切激活函数。
输入时序信号的高维特征，经正向LSTM网络输出向量
Figure RE-GDA0002272853780000083
反向LSTM 网络输出向量
Figure RE-GDA0002272853780000084
在时间步t时BiLSTM网络输出特征向量为Pt。公式如下：
Figure RE-GDA0002272853780000085
Figure RE-GDA0002272853780000086
Figure RE-GDA0002272853780000087
步骤四：引入Attention机制：利用Attention机制计算连续时间步时序信号特征的重要性分布，生成含有注意力概率分布的时序信号特征模型；即引入的Attention机制通过分配不同的初始化概率权重与BiLSTM层的各个时间步输出向量进行加权求和，最后经过Sigmod函数计算得到数值。
本发明引入的Attention机制通过分配不同的初始化概率权重与 BiLSTM层的各个时间步输出向量进行加权求和，最后经过Sigmod函数计算得到数值。实现从大量信号特征中有选择地过滤出部分关键信息并进行聚焦，聚焦的过程体现在权重系数的计算上，对不同的关键信息分配不同的权重，以提升权重的方式来强化关键信息的比重，减少长序列时序信号关键信息的丢失。Attention机制的计算公式如下：
ut＝tanh(WsPt+bs)
Figure RE-GDA0002272853780000092
ν＝∑αtPt
其中，Pt表示BiLSTM层在时间步t时的输出特征向量，ut表示Pt通过神经网络层得到的隐层表示，us表示随机初始化的上下文向量，αt表示ut通过Softmax函数归一化得到的重要性权重，ν表示最终文本信息的特征向量。 us在训练过程中随机生成，最后经由Softmax函数将Attention层输出值ν进行映射，得到刀具磨损状态的实时分类结果。
步骤五：网络模型的训练：引入了Dropout技术，用以防止模型在训练过程中发生过拟合；网络模型的激活函数采用Softmax，损失函数采用Categorical_crossentropy，对上述步骤所获得的时序信号特征进行磨损分类，得到分类结果。
本发明的刀具磨损状态实时监测模型中引入了Dropout技术，用以防止模型在训练过程中发生过拟合。网络模型的激活函数采用Softmax，损失函数采用Categorical_crossentropy，对所获得的时序信号特征进行磨损分类。
公式如下：
Figure RE-GDA0002272853780000091
y是一个维度为类别数量大小的向量，其每一维度的值都介于[0,1]之间，并且所有维度的和为1，该值代表该刀具磨损状态属于某个类别的概率,M 是可能的类别个数。在模型的训练过程中，通过Categorical_crossentropy Loss训练整个模型。交叉熵误差计算公式为：
Figure RE-GDA0002272853780000101
Figure RE-GDA0002272853780000102
Figure RE-GDA0002272853780000103
…
Figure RE-GDA0002272853780000104
其中：m表示分类数，n表示样本数，
Figure RE-GDA0002272853780000105
表示刀具磨损状态真实类别标签向量中的第i个值，yim表示Softmax分类器的输出向量y的第i个值。对于所获得的交叉熵误差，最后取其平均作为模型的损失函数。在训练模型的时候采用Adam方法来最小化目标函数，Adam本质上是带有动量项的 RMSprop，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。Adam的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数变化比较平稳。
所述的基于Attention机制的CNN-BiLSTM模型神经网络的输入数据包括时序信号，时序信号的特征提取与表达通过卷积层(C1和C2)、Dropout 层、池化层(P1)、Flatten层、BiLSTM层、Attention层和全连接层(F1 和F2)实现。
将尺寸为(2000,3)的时序信号作为输入数据输入到深度学习神经网络，卷积层C1采用3×1的卷积核对时序信号进行卷积，卷积核步长为1，生成 (20,98,128)特征图，由卷积层C1输入到卷积层C2，卷积层C2采用3×1 的卷积核对时序信号进行卷积，卷积核步长为1，生成(20,96,128)特征图，由卷积层C2经Dropout输入到池化层P1，Dropout为0.5，采用最大值池化的方式，生成(20,48,128)特征图，由池化层P1输入到Flatten层L1，生成(20,6144)特征，由Flatten层L1输入到BiLSTM层B1，生成(20,256) 特征，由BiLSTM层B1经Dropout输入到Attention层A1，Dropout为0.5，生成256×1特征图，由Attention层A1输入到全连接层F1，输出128×1特征图，全连接层F1输入到全连接层F2，最终输出3类刀具磨损状态值，用以确认当前时刻刀具的磨损状态。
实施例如下：
1实验设计
(1)状态监测
本发明实验采用高精度数控立式铣床(型号：VM600)用于铣削工件，铣削过程中不加冷却液，铣削工件为模具钢(S136H)，铣削刀具采用超细微粒钨钢硬质合金四刃铣刀，刀刃表面覆盖有TiAIN图层。表1为铣削实验切削参数。
表1铣削实验切削参数
Figure RE-GDA0002272853780000111
实验中，采用三个加速度传感器(型号：INV9822)按x、y、z方向磁性吸附在机床夹具上，用于实时采集刀具加工过程中产生的原始振动信号；采用北京东方振动和噪声研究所的高精度数字采集仪(型号： INV3018CT)处理实时信号并传送至计算机。信号的采样频率为20KHz,每次走刀沿x方向铣削200mm,记为一个铣削行程，每把刀具铣削330个行程，每个铣削行程结束后，采用预先校定好的高精度数字显微镜测量铣刀每个铣削刃的后刀面磨损值。
(2)数据分析
实验的深度学习硬件平台采用高性能服务器：Intel Xeon E5-2650处理器，主频2.3GHz，256GB内存，GPU选用NVIDIA GeForce TITAN X图形处理器。软件平台使用Ubuntu16.04.4操作系统，深度学习框架选用Keras 为前端，TensorFlow为后端进行数据分析。
实验采用4把铣刀(C1、C2、C3、C4)完成铣削操作，铣削加工1320 次，得到1320个原始信号样本，将3把铣刀(C1、C2、C3)的数据用于模型的训练和验证，1把铣刀(C4)数据用于模型测试，随机选取990个样本中的80％作为训练集，20％作为验证集。深度学习训练过程中需要足够多的样本数量用以提高神经网络的学习质量。数据扩充能在原有量级的数据基础上增加实验数据，提高鲁棒性。原始加工信号的数据样本为长序列周期性的时序信号，根据信号采样原理，本发明将每个样本连续采样裁剪为多个等长度的短序列时序信号，经数据归一化后用于模型的输入。
每个样本中包含三维信号和四个后刀面的磨损值，为防止不同刀刃磨损值的相互干扰，选取四个刀刃中的最大值作为该次铣削的刀具的磨损值。刀具的磨损状态分为：初期磨损、正常磨损、急剧磨损。本发明根据每把铣刀的实际磨损曲线定义刀具的磨损状态，用于确定刀具的磨损程度，将刀具磨损程度划分3类标签数据，采用one-hot编码形式将标签数据进行转换，便于最终刀具磨损状态分类。
2深度学习对比实验结果
实验将铣刀加工过程产生的原始信号经采样裁剪后输入到Attention CNN-BiLSTM神经网络模型中，模型自适应提取时序信号中隐含的高维特征，计算模型实际输出值与真实值之间的误差距离，采用Adam算法使Loss 下降并不断更新网络权重，使模型的实际输出值更加趋近于真实值。本发明使用CNN-LSTM、CNN-BiLSTM深度学习神经网络与本发明提出的 Attention CNN-BiLSTM模型进行比较，训练过程中3个模型设置同样的训练参数。表2为模型具体训练参数表。
表2模型具体训练参数
Figure RE-GDA0002272853780000121
经深度学习神经网络训练和验证后得到不同的损失函数值以及准确率，图3、图4、图5，分别为CNN-LSTM、CNN-BiLSTM、Attention CNN-BiLSTM模型输出的训练集和验证集的损失函数值以及验证集的准确率，其中x轴表示铣刀数据集的迭代次数、双y轴分别表示损失函数值和模型验证准确率。从图中可以得出，CNN-LSTM模型初始预测精度较低，经65次迭代后，验证集的准确率基本稳定在96％以上，100次迭代后准确率为96.42％，而CNN-BiLSTM模型和Attention CNN-BiLSTM模型初始预测精度较高，CNN-BiLSTM模型经42次迭代后，验证集的准确率基本稳定在 96％以上，100次迭代后准确率为97.04％，Attention CNN-BiLSTM模型经 35次迭代后，验证集的准确率基本稳定在96％以上，100次迭代后准确率为97.50％。模型训练集的损失函数值随着迭代次数的增加不断减小，最终趋于稳定，验证集的损失函数值呈周期性波动，CNN-LSTM模型损失函数振荡幅度较大，CNN-BiLSTM模型和Attention CNN-BiLSTM模型相对较为平稳，损失函数总体趋势不断递减，并最终收敛。采用本发明所提的 Attention CNN-BiLSTM模型验证准确率为97.50％，损失函数值达到0.0651，网络稳定性较高，CNN-LSTM模型和CNN-BiLSTM模型均优于同类的浅层CNN网络模型和RNN网络模型，获得了较高的预测精度，但略低于 Attention CNN-BiLSTM模型。表3，为模型验证的损失函数和准确率。
表3模型验证的损失函数和准确率
Figure RE-GDA0002272853780000131
选用铣刀(C4)的数据用于网络模型的测试集，测试样本总量为330 个，其中初期磨损样本为23个、正常磨损样本为232个、急剧磨损样本为 75个，随机将上述样本带入训练好的Attention CNN-BiLSTM网络模型中。图6为刀具测试集磨损状态监测结果混淆矩阵图。
从图6中可以得出，本发明所提的Attention CNN-BiLSTM网络模型以 96.97％的准确率完成对铣刀(C4)的检测，其中正常磨损的预测结果较为准确，初期磨损和急剧磨损存在一定偏差，但在合理范围之内。错误的预测结果主要出现在磨损程度的过渡阶段，这是由于刀具在加工过程中处于正常磨损状态的时间较长，可供模型学习的数据量较多，特征相对明显，而刀具处于初期磨损和急剧磨损状态的时间较短，所获得的数据量不足而导致的。
3深度学习与机器学习对比
表4深度学习与机器学习预测准确率
Figure RE-GDA0002272853780000141
为进一步验证本发明所提算法的可行性，将本发明所采集的实验数据用于BP神经网络(BPNN)、支持向量机(SVM)、隐马尔可夫模型(HMM)、模糊神经网络(FNN)刀具磨损状态监测模型中，对加速度传感器采集的原始信号进行小波阈值降噪处理，经特征提取和特征筛选后，得到噪声干扰少且对刀具磨损关联程度大的特征。特征提取包括时域特征、频域特征和时频域特征，从3个传感器的原始信号中共提取120个特征，采用基于距离相关系数(Distance correlation)方法选取33个特征作为刀具磨损状态监测模型的输入，与本发明所提的Attention CNN-BiLSTM网络模型的实验结果进行比较。从表中可以得出，传统机器的准确率差异很大，这是由于人工提取特征的不稳定性以及模型的构建都会对预测结果产生影响。深度学习的预测准确率明显高于机器学习BPNN、SVM、HMM，然而，机器学习FNN预测准确率达到94.24％，因为FNN利用神经网络来学习模糊系统的规则，根据输入输出的学习样本自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。CNN-BiLSTM利用双向的LSTM网络访问访问过去和未来的信息，即能从正向和反向同时提取时序信号特征，挖掘出更加丰富的信息特征，预测准确度高于CNN-LSTM，本发明所提的Attention CNN-BiLSTM在CNN-BiLSTM基础上引入了Attention机制，实现从大量信息中有选择地过滤出部分关键信息并进行聚焦，减少长序列文本关键信息特征的丢失，预测准确率达到96.97％，且测试样本速度可以达到0.006s，满足实时对刀具磨损状态进行监测的要求。表4所示，为深度学习与机器学习预测准确率表。
总之，本发明提出了一种基于Attention机制的CNN-BiLSTM网络模型在刀具磨损状态实时监测方法，用于实时监测刀具磨损程度。在预处理阶段提出依据实际磨损曲线来定义刀具的磨损状态，用于确定刀具的磨损程度，提高了数据标签分类的准确性，同时，结合数据扩充的方式在原有量级的数据基础上增加实验数据，改善算法的鲁棒性；采用一维卷积神经网络进行局部特征提取，从原始信号中挖掘出丰富的高维特征，避免了传统人工提取特征的局限性，更好的表征了原始信号中隐藏的刀具磨损状态信息，缩短了网络模型训练时间；将Attention机制引入到改进后的 CNN-BiLSTM网络模型中用于刀具磨损状态监测任务，有效的提升了网络模型实时监测的识别精度和泛化性能。实验结果表明：在刀具磨损实时监测过程中，我们提出的Attention CNN-BiLSTM网络模型具有一定优势，在识别精度和识别速度上能够满足工业要求。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，任何未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (4)

1.一种刀具磨损状态实时监测方法，包括如下步骤：
步骤一：利用加速度传感器实时采集数控加工设备在加工工件的过程中产生的原始振动信号，并将原始振动信号的x、y、z方向振动信号经连续采样裁剪为2000个采样点组成(2000,3)的时序信号；
步骤二：单个时间步时序信号进行局部特征提取：将尺寸为(2000，3)的时序信号作为输入数据输入一维卷积神经网络(CNN)进行邻域滤波，利用滑动窗口进行计算，最终得到单个时间步时序信号的高维特征；即通过一维卷积神经网络对时序信号进行特征提取，将时序信号表达为高维特征，便于后续的时间序列特征提取；
步骤三：时序信号的时间序列特征提取：采用改进的双向长短时记忆网络(BiLSTM)处理连续时间步时序信号产生的高维特征，逐步合成输入信号的向量特征表示；
所述改进的双向长短时记忆网络(BiLSTM)，通过构建两个方向的LSTM网络共同叠加组成BiLSTM网络，同时，在BiLSTM网络中引入Attention机制，增加Attention层，使模型既获得了能从正向和反向同时提取时序信号特征的能力，又获得了选择性的学习信号特征中关键信息的能力；
步骤四：引入Attention机制计算连续时间步时序信号特征的重要性分布，生成含有注意力概率分布的时序信号特征模型；
所述引入的Attention机制通过分配不同的初始化概率权重与BiLSTM层的各个时间步输出向量进行加权求和，最后经过Sigmod函数计算得到数值；所述Attention机制的计算公式如下：
ut＝tanh(WsPt+bs)
Figure RE-FDA0002272853770000011
ν＝∑αtPt
其中，Pt表示BiLSTM层在时间步t时的输出特征向量，ut表示Pt通过神经网络层得到的隐层表示，us表示随机初始化的上下文向量，αt表示ut通过Softmax函数归一化得到的重要性权重，ν表示最终文本信息的特征向量；
步骤五：网络模型的训练：引入了Dropout技术，用以防止模型在训练过程中发生过拟合；网络模型的激活函数采用Softmax，损失函数采用Categorical_crossentropy，对上述步骤所获得的时序信号特征进行磨损分类，得到分类结果。
2.如权利要求1所述的刀具磨损状态实时监测方法，其特征在于：所述步骤二中的一维卷积神经网络部分包括2层卷积层(Convolutional Layer)和1层池化层(Pooling Layer)，卷积层通过一维卷积运算的方式将每一维度的时序信号进行邻域滤波以生成特征映射，每个特征图可以被看作不同滤波器对当前时间步时序信号的卷积操作；
所述一维卷积层运算的计算公式如下：
Figure RE-FDA0002272853770000021
其中：
Figure RE-FDA0002272853770000022
表示第l层的第j个特征映射，f表示激活函数，M表示输入特征映射的数量，
Figure RE-FDA0002272853770000023
表示第l-1层的第i个特征映射，
Figure RE-FDA0002272853770000024
表示可训练的卷积核，
Figure RE-FDA0002272853770000025
表示偏置参数；所述激活函数采用Relu激活函数；
所述池化层采用最大值池化对邻域内的特征点取最大值，公式如下：
Figure RE-FDA0002272853770000026
其中：
Figure RE-FDA0002272853770000027
表示第l层的第i个特征矢量中的第t个神经元的值，t∈[(j-1)w+1,jw]；w为池化区域的宽度；Pi l+1(j)表示第l+1层神经元对应的值。
3.如权利要求1所述的刀具磨损状态实时监测方法，其特征在于：所述步骤三中改进的双向长短时记忆网络(BiLSTM)中共包含256个神经元，正向和反向LSTM网络均由128个神经元组成，每个BiLSTM神经元包括输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)，分别使用i、f、o来表示，其中，输入门i用于控制网络当前输入信息xt可以保存到记忆单元Ct中的数量，利用Sigmod函数确定需要保存的新信息，利用tanh函数生成一新的候选向量
Figure RE-FDA0002272853770000028
将需要保存的信息送入记忆单元完成更新；遗忘门f用于控制自连接单元，对上一时刻记忆单元Ct-1中的信息进行筛选，确定需要保留在当前记忆单元Ct中的有效信息数量，遗忘无用信息；输出门o控制记忆单元Ct对当前输出值ht的影响，决定记忆单元Ct在时间步t时输出信息的数量，公式如下：
it＝σ(Wxixt+Whiht-1+bi)
Figure RE-FDA0002272853770000031
ft＝σ(Wxfxt+Whfht-1+bf)
Figure RE-FDA0002272853770000032
ot＝σ(Wxoxt+Whoht-1+bo)
ht＝ottanh(Ct)
其中：C表示记忆单元即细胞状态，Ct表示在时间步t时记忆单元状态，
Figure RE-FDA0002272853770000033
表示在时间步t时记忆单元的候选向量，xt表示在时间步t时的输入向量,ht表示在时间步t时的输出向量，W表示网络的权重向量，b表示偏置向量，σ(·)表示Sigmod函数，tanh函数表示双曲正切激活函数；
输入时序信号的高维特征，经正向LSTM网络输出向量
Figure RE-FDA0002272853770000034
反向LSTM网络输出向量
Figure RE-FDA0002272853770000035
在时间步t时BiLSTM网络输出特征向量为Pt，公式如下：
Figure RE-FDA0002272853770000036
Figure RE-FDA0002272853770000037
Figure RE-FDA0002272853770000038
4.如权利要求1、2、3任一项所述的刀具磨损状态实时监测方法，其特征在于：所述输入数据为时序信号，时序信号的特征提取与表达通过卷积层(C1和C2)、Dropout层、池化层(P1)、Flatten层、BiLSTM层、Attention层和全连接层(F1和F2)实现；
其中，将尺寸为(2000,3)的时序信号作为输入数据输入到深度学习神经网络，卷积层C1采用3×1的卷积核对时序信号进行卷积，卷积核步长为1，生成(20,98,128)特征图，由卷积层C1输入到卷积层C2，卷积层C2采用3×1的卷积核对时序信号进行卷积，卷积核步长为1，生成(20,96,128)特征图，由卷积层C2经Dropout输入到池化层P1，Dropout为0.5，采用最大值池化的方式，生成(20,48,128)特征图，由池化层P1输入到Flatten 层L1，生成(20,6144)特征，由Flatten层L1输入到BiLSTM层B1，生成(20,256)特征，由BiLSTM层B1经Dropout输入到Attention层A1，Dropout为0.5，生成256×1特征图，由Attention层A1输入到全连接层F1，输出128×1特征图，全连接层F1输入到全连接层F2，最终输出3类刀具磨损状态值，用以确认当前时刻刀具的磨损状态。
CN201910788319.8A 2019-08-26 2019-08-26 一种刀具磨损状态实时监测方法 Active CN112435363B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910788319.8A CN112435363B (zh) 2019-08-26 2019-08-26 一种刀具磨损状态实时监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910788319.8A CN112435363B (zh) 2019-08-26 2019-08-26 一种刀具磨损状态实时监测方法

Publications (2)

Publication Number Publication Date
CN112435363A true CN112435363A (zh) 2021-03-02
CN112435363B CN112435363B (zh) 2022-08-16

Family

ID=74690588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910788319.8A Active CN112435363B (zh) 2019-08-26 2019-08-26 一种刀具磨损状态实时监测方法

Country Status (1)

Country Link
CN (1) CN112435363B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469281A (zh) * 2021-07-22 2021-10-01 西北工业大学 一种工业齿轮箱多源信息融合故障诊断方法
CN114091544A (zh) * 2021-11-29 2022-02-25 西南交通大学 基于振动信号与神经网络的tbm盘形滚刀磨损识别系统
CN114445407A (zh) * 2022-04-11 2022-05-06 季华实验室 材料的耐磨性能检测方法和装置
CN114619292A (zh) * 2022-03-25 2022-06-14 南京航空航天大学 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
CN114756977A (zh) * 2022-06-16 2022-07-15 成都飞机工业（集团）有限责任公司 飞机交点孔镗削让刀量预测方法、装置、设备及存储介质
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
CN115401524A (zh) * 2022-08-19 2022-11-29 上汽通用五菱汽车股份有限公司 一种刀具振动信号监控方法、系统及介质
CN115771061A (zh) * 2022-12-02 2023-03-10 西南交通大学 一种基于频率注意力机制的铣刀磨损监测方法
CN115971970A (zh) * 2022-12-02 2023-04-18 西南交通大学 一种基于多参数引导空间注意力机制的铣刀磨损监测方法
CN116400675A (zh) * 2023-06-09 2023-07-07 西南交通大学 基于改进cnn-lstm模型的故障诊断系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200919210A (en) * 2007-07-18 2009-05-01 Steven Kays Adaptive electronic design
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
US20190114037A1 (en) * 2017-10-17 2019-04-18 Blend Systems, Inc. Systems and methods for distributing customized avatars responsive to events
CN109740148A (zh) * 2018-12-16 2019-05-10 北京工业大学 一种BiLSTM结合Attention机制的文本情感分析方法
CN109902399A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于att-cnn的变工况下滚动轴承故障识别方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200919210A (en) * 2007-07-18 2009-05-01 Steven Kays Adaptive electronic design
US20190114037A1 (en) * 2017-10-17 2019-04-18 Blend Systems, Inc. Systems and methods for distributing customized avatars responsive to events
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
CN109740148A (zh) * 2018-12-16 2019-05-10 北京工业大学 一种BiLSTM结合Attention机制的文本情感分析方法
CN109902399A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于att-cnn的变工况下滚动轴承故障识别方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN QP: "Research on a Tool Wear Monitoring Algorithm Based on Residual Dense Network", 《SYMMETRY-BASEL》 *
LUDAN TAN: "SDF-NN: A Deep Neural Network with Semantic Dropping and Fusion for Natural Language Inference", 《2017 IEEE 29TH INTERNATIONAL CONFERENCE ON TOOLS WITH ARTIFICIAL INTELLIGENCE (ICTAI)》 *
陈建新: "基于深度学习的刀具磨损状态监测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469281B (zh) * 2021-07-22 2023-11-24 西北工业大学 一种工业齿轮箱多源信息融合故障诊断方法
CN113469281A (zh) * 2021-07-22 2021-10-01 西北工业大学 一种工业齿轮箱多源信息融合故障诊断方法
CN114091544A (zh) * 2021-11-29 2022-02-25 西南交通大学 基于振动信号与神经网络的tbm盘形滚刀磨损识别系统
CN114619292B (zh) * 2022-03-25 2022-12-20 南京航空航天大学 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
CN114619292A (zh) * 2022-03-25 2022-06-14 南京航空航天大学 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
CN114445407A (zh) * 2022-04-11 2022-05-06 季华实验室 材料的耐磨性能检测方法和装置
CN114445407B (zh) * 2022-04-11 2022-06-07 季华实验室 材料的耐磨性能检测方法和装置
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
CN114756977A (zh) * 2022-06-16 2022-07-15 成都飞机工业（集团）有限责任公司 飞机交点孔镗削让刀量预测方法、装置、设备及存储介质
CN115401524A (zh) * 2022-08-19 2022-11-29 上汽通用五菱汽车股份有限公司 一种刀具振动信号监控方法、系统及介质
CN115771061A (zh) * 2022-12-02 2023-03-10 西南交通大学 一种基于频率注意力机制的铣刀磨损监测方法
CN115971970A (zh) * 2022-12-02 2023-04-18 西南交通大学 一种基于多参数引导空间注意力机制的铣刀磨损监测方法
CN115771061B (zh) * 2022-12-02 2024-03-26 西南交通大学 一种基于频率注意力机制的铣刀磨损监测方法
CN116400675A (zh) * 2023-06-09 2023-07-07 西南交通大学 基于改进cnn-lstm模型的故障诊断系统及方法
CN116400675B (zh) * 2023-06-09 2023-09-15 西南交通大学 基于改进cnn-lstm模型的故障诊断系统及方法

Also Published As

Publication number Publication date
CN112435363B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN112435363B (zh) 一种刀具磨损状态实时监测方法
CN111325112B (zh) 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111241837B (zh) 基于对抗迁移学习的盗窃案件法律文书命名实体识别方法
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN109615014B (zh) 一种基于kl散度优化的3d物体数据分类系统与方法
CN111633467B (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
CN110096810B (zh) 一种基于逐层数据扩充深度学习的工业过程软测量方法
CN107766893B (zh) 基于标签多级编码神经网络的目标识别方法
CN112434732A (zh) 一种基于特征筛选的深度学习分类方法
CN110097096B (zh) 一种基于tf-idf矩阵和胶囊网络的文本分类方法
CN110561191B (zh) 基于pca与自编码器的数控机床刀具磨损数据处理方法
CN110688502A (zh) 一种基于深度哈希和量化的图像检索方法及存储介质
CN109272029B (zh) 井控稀疏表征大规模谱聚类地震相划分方法
CN113923104A (zh) 基于小波神经网络的网络故障诊断方法、设备及存储介质
CN114218292A (zh) 一种多元时间序列相似性检索方法
CN111259943A (zh) 基于机器学习的温跃层预测方法
CN115204035A (zh) 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质
CN114417852A (zh) 基于Wasserstein自编码器和高斯混合分布作为先验的主题建模方法
CN113705715B (zh) 一种基于lstm和多尺度fcn的时间序列分类方法
CN108846128A (zh) 一种基于自适应噪音降噪编码器的跨领域文本分类方法
CN115937568B (zh) 一种玄武岩构造背景分类方法、系统、装置及存储介质
CN102314616B (zh) 自适应脱机手写识别方法和装置
CN111275109A (zh) 基于自编码器的电力设备状态数据特征选优方法及系统
CN113887509B (zh) 一种基于图像集合的快速多模态视频人脸识别方法
CN113190681B (zh) 一种基于胶囊网络遮罩记忆注意力的细粒度文本分类方法

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
GR01 Patent grant
GR01 Patent grant