CN113103068B - 一种基于深度迁移学习的刀具状态监测方法 - Google Patents
一种基于深度迁移学习的刀具状态监测方法 Download PDFInfo
- Publication number
- CN113103068B CN113103068B CN202110416755.XA CN202110416755A CN113103068B CN 113103068 B CN113103068 B CN 113103068B CN 202110416755 A CN202110416755 A CN 202110416755A CN 113103068 B CN113103068 B CN 113103068B
- Authority
- CN
- China
- Prior art keywords
- data
- domain data
- model
- state monitoring
- layer
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000013508 migration Methods 0.000 title claims abstract description 31
- 230000005012 migration Effects 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000003754 machining Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000001133 acceleration Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 5
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000013526 transfer learning Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 230000005236 sound signal Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Numerical Control (AREA)
Abstract
本发明属于加工状态监测领域，一种基于深度迁移学习的刀具状态监测方法。步骤如下：首先，通过两个三相加速度传感器和一个传声器采集加工过程中的振动信号与噪声信号；然后，对数据进行快速傅里叶变换，再采用Adasyn自适应合成采样算法解决数据集的不平衡问题；随后，构建深度置信网络，利用有标签的第一台机床数据训练刀具状态监测模型；最后，利用无标签的第二台机床数据实现模型的微调，首先共享源域模型与目标域模型的结构与权重，再引入多核最大均值差异衡量并缩小源域数据与目标域数据在隐藏层最顶层的距离。本发明所用的基于深度迁移学习的刀具状态监测方法迁移效果良好，省去了数据采集与标签划分的工作，降低了加工状态监测成本。
Description
技术领域
本发明属于加工状态监测领域，具体为一种基于深度迁移学习的刀具状态监测方法。
背景技术
在机械加工领域，为了保证零件的加工质量及表面粗糙度，加工人员需要时刻关注加工过程中刀具的磨损情况。实际生产过程中，加工人员往往通过耳听加工噪声，手摸机床振动等方法判断刀具的磨损状态。如何减小加工过程中对工作人员经验的依赖，实现刀具状态的在线智能监测成为了机械加工领域的关键问题之一。目前的刀具状态监测方法主要分为直接法和间接法两种。通过观察刀具表面情况、几何特征来实现刀具状态监测的直接监测法所需测量设备价格昂贵，监测效果受加工环境影响大，且往往需要停机测量，难以应用于实际生产过程中。基于深度学习方法，建立振动、噪声等加工数据与刀具状态的关系模型，从而实现刀具状态监测的间接监测法成为了刀具状态监测的主要方法。
然而，基于深度学习的刀具状态监测方法必须满足一个条件，即监测模型的训练集与测试集同分布。由于同型号的不同机床加工环境不同、存在装配误差等因素的影响，用于训练模型特定机床的数据(源域数据)与同型号其他机床数据(目标域数据)往往分布不同，导致有特定机床训练得来的监测模型不能直接应用于同类机床上。针对上述问题，国内外研究者提出了基于迁移学习的加工状态监测方法。
Du等人在PHM-2019Qingdao会议上发表论文《A Hybrid Transfer LearningMethod for Fault Diagnosis of Machinery under Variable Operating Conditions》，提出了一种用于轴承故障诊断的混合迁移学习方法，首先采用迁移主成分法提取轴承数据特征，再采用Tr-Adaboost方法提升模型针对源域数据的判别准确率。Postel等人在《TheInternational Journal of Advanced Manufacturing Technology》上发表论文《Ensemble transfer learning for refining stability predictions in millingusing experimental stability states》，利用仿真数据预训练深度神经网络，再用少量实验数据微调网络参数，从而实现铣削过程的稳定性预测。于洋等人在《仪器仪表学报》上发表论文《基于TL-LSTM的轴承故障声发射信号识别研究》，针对多工况下滚动轴承故障声发射信号智能识别问题，提出了一种长短时记忆网络与迁移学习相结合的故障识别新方法。
通过对上述文献分析可知，目前基于迁移学习的刀具状态监测方法存在如下问题：(1)处理加工状态特征数据依赖于人工特征提取，难以发挥深度神经网络的优势，造成数据隐含信息的浪费。(2)大多数方法先采用浅层迁移学习处理数据，在利用深度神经网络训练模型，没有利用源域数据与目标域数据在深层特征空间的相似性，限制了迁移学习模型性能的提升。
发明内容
本发明的目的在于给出一种基于深度迁移学习的刀具状态监测方法，解决现有监测方法迁移性差、推广成本高、难以发挥深度学习优势等问题，基于深度迁移学习方法，结合有标签的源域数据，实现了目标域数据的无监督训练。
本发明的技术方案：
首先，通过两个三相加速度传感器和一个传声器采集加工过程中的振动信号与噪声信号；然后，对数据进行快速傅里叶变换，再采用Adasyn自适应合成采样算法解决数据集的不平衡问题；随后，构建深度置信网络(Deep Belief Network,DBN)，利用有标签的第一台机床数据(源域数据)训练刀具状态监测模型；最后，利用无标签的第二台机床数据(目标域数据)实现模型的微调，首先共享源域模型与目标域模型的结构与权重，再引入多核最大均值差异(multi kernel maximum mean discrepancy，MK-MMD)衡量并缩小源域数据与目标域数据在隐藏层最顶层的距离。
具体步骤如下：
第一步，加工状态数据的采集
采用两个三相加速度传感器和一个传声器采集加工过程中的振动信号与噪声信号，三相加速度传感器采得的加速度信号和声信号被送入数据采集卡中，经模数转换后存入计算机；
采集两台机床的加工状态数据，将其中一台机床的数据作为源域数据，用于建立加工状态监测模型，另一台机床的数据作为目标域数据，用于加工状态监测模型的迁移。
采样频率为5000Hz，将1000个采样点划分为一个样本，则每个加工状态样本为7×1000的数组；根据刀具状态将数据划分为正常、断刀两种；
第二步，加工状态数据的预处理
对划分后的数据进行快速傅里叶变换，将维度为7×1000的时域数据转换为7×501的频域数据；由于高频区域数据幅值很小，对于网络训练几乎没有影响，将高于300Hz的数据剔除；
经过数据处理后，断刀数据样本数量远远少于正常数据样本数量，为了消除数据不平衡对模型准确率的影响，采用Adasyn自适应合成算法对少数数据进行合成；
第三步，基于DBN的加工状态监测模型的建立
DBN由多层受限玻尔兹曼机RBM堆叠而成；RBM由n个可见单元v和m个隐藏单元h构成，其中v和h都是二进制形式的变量；对于一组(v,h)，表示其可见单元与隐藏单元间联合概率分布的能量函数定义为：
其中，θ＝(w,a,b)是RBM模型的参数；vi和hi表示可见神经元与隐藏神经元的二进制状态；ai和bi表示可见神经元与隐藏神经元的偏置；wij表示第i个可见神经元与第j个隐藏神经元之间的连接权重；
DBN网络的训练步骤为：(1)首先对多层RBM进行贪婪逐层训练，即以第一台机床的数据作为输入向量完成第一层RBM的训练；随后固定第一层RBM的权重与偏执，将第一层RBM的隐藏层状态作为输入向量训练第二层RBM，以此类推，直到隐藏层数量达到网络要求；(2)将训练好的RBM堆叠起来，并在网络顶端连接一个BP层，利用有标签的数据对网络进行微调，损失函数采用交叉熵来表示；
第四步，基于深度迁移学习的加工状态监测模型的迁移
首先，进行模型的迁移，将训练好的针对源域数据的DBN模型复制生成针对目标域的监测模型，新模型的网络结构、各层神经元的权重与偏置均与原模型相同；
将源域数据与目标域数据分别输入刀具状态监测模型，得到源域数据与目标域数据在模型最顶层隐藏层的特征向量，计算两者的MK-MMD，用以表示源域数据与目标域数据的分布距离。给定概率分布p和q，则p和q之间的MK-MMD可表示为：
式中，H表示再生核希尔伯特空间；φ(·):→H表示原始特征空间到RKHS的非线性特征映射函数；x[s]和x[t]分别表示源域数据与目标域数据；E～p表示非线性特征映射函数的期望；假设存在核k{x[s],x[t]}＝{φ(x[s]),φ(x[t])}，特征核k表示为：
其中，ku表示单个特征核，βu表示单个特征核的权重，m表示单个特征核的数量。
构造迁移学习损失函数，利用梯度下降法使损失函数最小化，从而缩小源域数据与目标域数据的分布距离；损失函数表达式为：
式中，θ(x[s])表示DBN中x[s]对应于标签y[s]的条件概率；J(·)表示源域数据的交叉熵分类损失函数；Ds,Dt分别表示源域与目标域在隐藏层的特征向量；
表示MK-MMD；λ表示惩罚系数。
本发明的有益效果为：通过该方法，可以利用有标签的源域数据实现目标域数据的无监督训练，在针对其他同类机床的加工状态监测模型训练过程中，节省了数据采集与标签划分的大量工作，降低了加工状态监测成本，对基于深度学习的加工状态监测方法的应用及推广具有较大意义。
本发明与现有技术相比，具有以下优点：
(1)与传统反馈神经网络相比，深度置信网络可以避免深度模型因梯度衰减而陷入局部最优。
(2)通过深度神经网络自动化地提取更具表现力的特征，省去人工提取特征的过程，避免了数据隐含特征的浪费。
(3)与浅层迁移学习方法相比，利用MK-MMD的深度迁移学习方法将迁移学习与深度神经网络结构有机地结合起来，充分地发挥了深度学习的优势，提高了迁移学习的性能。
附图说明
图1为加工状态数据采集平台示意图。
图2为加工状态监测系统示意图。
图3为深度置信网络模型示意图。
图4为深度迁移网络模型示意图。
图5为原始数据特征分布图。
图6为迁移前后隐藏层特征对比图，a)为迁移前，b)为迁移后。
图中：1工件；2传声器；31#三向加速度传感器；42#三向加速度传感器；5镗杆。
具体实施方式
为了使本发明的技术方案和有益效果更加清晰明了，下面结合深孔镗削加工状态监测的具体实施方式并参照附图，对本发明作详细说明。本实施例是以本发明的技术方案为前提进行的，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。
以一台卧式深孔镗床加工深孔为例，详细说明本发明的实施方式。
第一步，加工状态数据的采集
采用两个三相加速度传感器3，4和一个传声器2采集加工过程中的振动信号与噪声信号，两个三项加速度传感器3，4通过磁力表座分别固定在两个刀具保持架的轴瓦外部，传声器2安装在深孔加工入口处，加工状态数据采集平台示意图如图1所示。传感器采得的加速度信号和声信号被送入数据采集卡NI-9231中，经模数转换后通过机箱cDAQ-9171存入计算机，加工状态监测系统示意图如图2所示。
进行深孔镗削实验，采样频率为5000Hz，将1000个采样点划分为一个样本，则每个加工状态样本为7×1000的数组，根据刀具状态将数据划分为正常、断刀两种。对两台机床进行数据采集实验，将其中一台机床的数据作为源域数据，另一台机床数据作为目标域数据。
第二步，加工状态数据的预处理
对划分后的数据进行快速傅里叶变换(fast Fourier transform，FFT)，将维度为7×1000的时域数据转换为7×501的频域数据。由于高频区域数据幅值很小，对于网络训练几乎没有影响，将高于300Hz的数据剔除。
采集两台深孔镗床的加工状态数据，将其中一台镗床的数据作为源域数据，用于建立加工状态监测模型，另一台镗床的数据作为目标域数据，用于加工状态监测模型的迁移。
由于采集到的断刀数据样本数量远远少于正常数据样本数量，为了消除数据不平衡对模型准确率的影响，采用Adasyn自适应合成算法对少数数据进行合成。
第三步，基于DBN的加工状态监测模型的建立
堆叠由四个RBM和一个BP层组成的深度置信网络，模型示意图如图3所示。激活函数为sigmoid函数，学习率为1e5。第一个RBM可见层神经元个数为2107，隐藏层神经元个数为1024。第二个RBM可见层神经元个数为1024，隐藏层神经元个数为512。第三个RBM可见层神经元个数为512，隐藏层神经元个数为128。第四个RBM可见层神经元个数为128，隐藏层神经元个数为32。BP层可见神经元个数为32，隐藏层神经元个数为2，分类损失函数为交叉熵。每层RBM迭代轮次为100，DBN微调迭代轮次为200。将有标签的源域数据按4：1划分为训练集与测试集，利用训练集数据训练DBN网络，利用测试机数据对网络准确率进行验证。训练好的模型针对源域数据的准确率为99.6％，针对目标域数据的准确率为50.2％。
第四步，基于深度迁移学习的加工状态监测模型的迁移
将训练好的模型的结构与权重复制生成针对目标域数据的加工状态监测模型。将源域数据与目标域数据分别输入模型，得到源域数据与目标域数据在模型最顶层隐藏层的特征向量，计算两者的MK-MMD，用以表示源域数据与目标域数据的分布距离，模型示意图如图4所示。惩罚系数为0.2，迁移学习微调迭代轮次为100。经过深度迁移学习后，模型针对目标域数据的准确率为99.2％。
应该说明的是，本发明的上述具体实施方式仅用于示例性阐述本发明的原理和流程，不构成对本发明的限制。因此，在不偏离本发明精神和范围的情况下所做的任何修改和等同替换，均应包含在本发明的保护范围内。
Claims (1)
1.一种基于深度迁移学习的刀具状态监测方法，其特征在于，步骤如下：
第一步，加工状态数据的采集
采用两个三相加速度传感器和一个传声器采集加工过程中的振动信号与噪声信号，三相加速度传感器采得的加速度信号和声信号被送入数据采集卡中，经模数转换后存入计算机；
采集两台机床的加工状态数据，将其中一台机床的数据作为源域数据，用于建立加工状态监测模型；另一台机床的数据作为目标域数据，用于加工状态监测模型的迁移；
采样频率为5000Hz，将1000个采样点划分为一个样本，则每个加工状态样本为7×1000的数组；根据刀具状态将数据划分为正常、断刀两种；
第二步，加工状态数据的预处理
对划分后的数据进行快速傅里叶变换，将维度为7×1000的时域数据转换为7×501的频域数据；由于高频区域数据幅值很小，对于网络训练几乎没有影响，将高于300Hz的数据剔除；
经过数据处理后，断刀数据样本数量远远少于正常数据样本数量，为了消除数据不平衡对模型准确率的影响，采用Adasyn自适应合成算法对少数数据进行合成；
第三步，基于DBN的加工状态监测模型的建立
DBN由多层受限玻尔兹曼机RBM堆叠而成；RBM由n个可见单元v和m个隐藏单元h构成，其中v和h都是二进制形式的变量；对于一组(v，h)，表示其可见单元与隐藏单元间联合概率分布的能量函数定义为：
其中，θ＝(w，a，b)是RBM模型的参数；vi和hj表示可见神经元与隐藏神经元的二进制状态；ai和bj表示可见神经元与隐藏神经元的偏置；wij表示第i个可见神经元与第j个隐藏神经元之间的连接权重；
DBN网络的训练步骤为：(1)首先对多层RBM进行贪婪逐层训练，即以第一台机床的数据作为输入向量完成第一层RBM的训练；随后固定第一层RBM的权重与偏执，将第一层RBM的隐藏层状态作为输入向量训练第二层RBM，以此类推，直到隐藏层数量达到网络要求；(2)将训练好的RBM堆叠起来，并在网络顶端连接一个BP层，利用有标签的数据对网络进行微调，损失函数采用交叉熵来表示；
第四步，基于深度迁移学习的加工状态监测模型的迁移
首先，进行模型的迁移，将训练好的针对源域数据的DBN模型复制生成针对目标域的监测模型，新模型的网络结构、各层神经元的权重与偏置均与原模型相同；
将源域数据与目标域数据分别输入刀具状态监测模型，得到源域数据与目标域数据在模型最顶层隐藏层的特征向量，计算两者的MK-MMD，用以表示源域数据与目标域数据的分布距离；给定概率分布p和q，则p和q之间的MK-MMD表示为：
其中，H表示再生核希尔伯特空间；φ(·)：X→H表示原始特征空间到RKHS的非线性特征映射函数；x[s]和x[t]分别表示源域数据与目标域数据；E～p表示非线性特征映射函数的期望；假设存在核k{x[s]，x[t]}＝{φ(x[s])，φ(x[t])}，特征核k表示为：
其中，ku表示单个特征核，βu表示单个特征核的权重，m表示单个特征核的数量；
构造迁移学习损失函数，利用梯度下降法使损失函数最小化，从而缩小源域数据与目标域数据的分布距离；损失函数表达式为：
式中，θ(x[s])表示DBN中x[s]对应于标签y[s]的条件概率；J(·)表示源域数据的交叉熵分类损失函数；Ds，Dt分别表示源域与目标域在隐藏层的特征向量；
表示MK-MMD；λ表示惩罚系数；ns表示源域数据的样本数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110416755.XA CN113103068B (zh) | 2021-04-19 | 2021-04-19 | 一种基于深度迁移学习的刀具状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110416755.XA CN113103068B (zh) | 2021-04-19 | 2021-04-19 | 一种基于深度迁移学习的刀具状态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113103068A CN113103068A (zh) | 2021-07-13 |
| CN113103068B true CN113103068B (zh) | 2022-03-29 |
Family
ID=76718501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110416755.XA Active CN113103068B (zh) | 2021-04-19 | 2021-04-19 | 一种基于深度迁移学习的刀具状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113103068B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762182A (zh) * | 2021-09-13 | 2021-12-07 | 华中科技大学 | 基于深度网络自适应的铣削刀具磨损状态预测方法及装置 |
| CN113959979B (zh) * | 2021-10-29 | 2022-07-29 | 燕山大学 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
| CN114881073B (zh) * | 2022-04-18 | 2024-09-06 | 华中科技大学 | 一种变工况滚动轴承分段式故障诊断方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110561192A (zh) * | 2019-09-11 | 2019-12-13 | 大连理工大学 | 一种基于堆叠自编码器的深孔镗刀状态监测方法 |
| CN111126255A (zh) * | 2019-12-23 | 2020-05-08 | 华中科技大学 | 基于深度学习回归算法的数控机床刀具磨损值预测方法 |
| CN111136509A (zh) * | 2020-01-10 | 2020-05-12 | 大连理工大学 | 一种基于elm-sdae算法的刀具状态监测方法 |
| CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
| KR20210022464A (ko) * | 2019-08-20 | 2021-03-03 | 현대위아 주식회사 | 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법 |
| CN112518425A (zh) * | 2020-12-10 | 2021-03-19 | 南京航空航天大学 | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10339670B2 (en) * | 2017-08-29 | 2019-07-02 | Trimble Inc. | 3D tool tracking and positioning using cameras |
-
2021
- 2021-04-19 CN CN202110416755.XA patent/CN113103068B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210022464A (ko) * | 2019-08-20 | 2021-03-03 | 현대위아 주식회사 | 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법 |
| CN110561192A (zh) * | 2019-09-11 | 2019-12-13 | 大连理工大学 | 一种基于堆叠自编码器的深孔镗刀状态监测方法 |
| CN111126255A (zh) * | 2019-12-23 | 2020-05-08 | 华中科技大学 | 基于深度学习回归算法的数控机床刀具磨损值预测方法 |
| CN111136509A (zh) * | 2020-01-10 | 2020-05-12 | 大连理工大学 | 一种基于elm-sdae算法的刀具状态监测方法 |
| CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
| CN112518425A (zh) * | 2020-12-10 | 2021-03-19 | 南京航空航天大学 | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Polynomial Kernel Induced Distance Metric to Improve Deep Transfer Learning for Fault Diagnosis of Machines;Bin Yang等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20201130;第67卷(第11期);全文 * |
| 基于深度置信网络的深孔加工刀具状态监测;沈明瑞等;《组合机床与自动化加工技术》;20201031(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113103068A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113103068B (zh) | 一种基于深度迁移学习的刀具状态监测方法 | |
| Qin et al. | The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines | |
| US11761930B2 (en) | Prediction method of part surface roughness and tool wear based on multi-task learning | |
| CN112883994B (zh) | 一种均衡分布适配的旋转机械变工况故障诊断方法 | |
| Liu et al. | The feature extraction and diagnosis of rolling bearing based on CEEMD and LDWPSO-PNN | |
| Peng et al. | An intelligent fault diagnosis method for rotating machinery based on data fusion and deep residual neural network | |
| Zhang et al. | A method for tool condition monitoring based on sensor fusion | |
| CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
| CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
| CN111639461B (zh) | 针对工业不均衡数据的刀具磨损状态检测方法 | |
| CN113032929A (zh) | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| CN117330315B (zh) | 一种基于在线迁移学习的旋转机械故障监测方法 | |
| CN113869339A (zh) | 用于故障诊断的深度学习分类模型及故障诊断方法 | |
| Wang et al. | Unsupervised joint subdomain adaptation network for fault diagnosis | |
| Xie et al. | Tool wear status recognition and prediction model of milling cutter based on deep learning | |
| CN115165366A (zh) | 一种旋转机械变工况故障诊断方法及系统 | |
| CN113869451A (zh) | 一种基于改进jgsa算法的变工况下滚动轴承故障诊断方法 | |
| CN118197297A (zh) | 一种基于声纹信号的设备故障检测方法 | |
| CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN113094996A (zh) | 基于dda域自适应机制的智能故障迁移诊断方法 | |
| Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions |
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 |