CN113554621B - 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 - Google Patents
基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 Download PDFInfo
- Publication number
- CN113554621B CN113554621B CN202110835944.0A CN202110835944A CN113554621B CN 113554621 B CN113554621 B CN 113554621B CN 202110835944 A CN202110835944 A CN 202110835944A CN 113554621 B CN113554621 B CN 113554621B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- network model
- cutter
- scale image
- scale
- 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 29
- 238000013508 migration Methods 0.000 title claims description 9
- 230000005012 migration Effects 0.000 title claims description 9
- 238000005299 abrasion Methods 0.000 claims abstract description 68
- 230000006870 function Effects 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 238000013526 transfer learning Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 abstract 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003801 milling Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法，该方法包括以下步骤：采集与刀具磨损相关的物理量；对采集的物理量进行小波包分解变换；选取复Morlet小波基函数尺度图像特征作为二维小波尺度图像特征；搭建CNN网络模型；将增强后的二维小波尺度图像特征作为样本输入训练好的CNN网络模型，识别刀具磨损状态。选择高分辨率的复Morlet小波尺度图作为时频图像特征，使得神经网络模型捕捉时频特征的局部信息时更加明显，从而提升刀具磨损状态的识别准确率，同时还具有泛化能力。建立刀具磨损状态实时识别模型，实现刀具磨损状态的准确把控，大大降低生产成本，有效地提升刀具的利用率。
Description
技术领域
本发明涉及刀具状态监测，具体是涉及一种基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法。
背景技术
刀具是“智能机床的牙齿”，其性能直接影响到工件表面质量以及加工工件的性能。研究表明，加工过程中6-20％的停机时间是由刀具磨损和刀具断裂引起的；并且为减少刀具故障的影响，对刀具进行维护所花费的成本可达到产品生产预算的15-40％。因此，准确及时地评估刀具磨损状态，不仅可以降低生产成本，而且可以有效提高刀具的利用率。
目前，主流的刀具监测方法是间接监测法，主要通过采集与切削刀具磨损相关性较高的客观物理量(传感器信号)，构建刀具磨损与信号特征之间的数学模型来对刀具状况进行识别和预测。现有的刀具磨损识别方法通过一些手段，可以提取到与刀具磨损量相关程度较高并且噪声含量较低的信号特征，但这些方法的适用范围有限，并且时间分辨率和频率分辨率不足，导致识别效果不精，出现刀具故障漏报、误报的情况。
发明内容
发明目的：针对以上缺点，本发明提供一种识别更准确、适用范围更广的基于小波尺度图和深度迁移学习的刀具磨损状态识别系统。
本发明还提供一种基于小波尺度图和深度迁移学习的刀具磨损状态识别方法。
技术方案：为解决上述问题，本发明采用一种基于小波尺度图和深度迁移学习的刀具磨损状态识别系统，包括信号采集模块、信号预处理模块、特征尺度图选取模块、CNN网络模型搭建模块、刀具磨损状态识别模块；
所述信号采集模块采集与刀具磨损相关的物理量；
所述信号预处理模块对采集的物理量进行时域、频域以及小波域特征提取，并进行相关性分析和小波包分解变换；
所述尺度图像特征选取模块对不同小波基函数进行小波尺度图转换，并基于时域和频域选取复Morlet小波基函数尺度图像特征作为二维小波尺度图像特征；
所述CNN网络模型搭建模块用于将二维小波尺度图像特征作为输入特征，搭建CNN网络模型，设置刀具磨损类别标签的输出单元；
所述刀具磨损状态识别模块用于对二维小波尺度图像特征进行增强，完成CNN网络模型超参数预训练，将增强后的二维小波尺度图像特征作为样本输入训练好的CNN网络模型，识别刀具磨损状态。
本发明还采用一种基于小波尺度图和深度迁移学习的刀具磨损状态识别方法，包括以下步骤：
(1)采集与刀具磨损相关的物理量；
(2)对采集的物理量进行时域、频域以及小波域特征提取，并进行相关性分析和小波包分解变换；
(3)对不同小波基函数进行小波尺度图转换，并基于时域和频域选取复Morlet小波基函数尺度图像特征作为二维小波尺度图像特征；
(4)将二维小波尺度图像特征作为输入特征，搭建CNN网络模型，设置刀具磨损类别标签的输出单元；
(5)对二维小波尺度图像特征进行增强，完成CNN网络模型超参数预训练，将增强后的二维小波尺度图像特征作为样本输入训练好的CNN网络模型，识别刀具磨损状态。
进一步的，所述步骤(1)中采集的物理量包括振动信号和切削信号。
进一步的，所述步骤(2)中通过Pearson相关系数法进行相关性分析，对时域、频域以及小波域特征归一化处理。
进一步的，所述步骤(3)中小波基函数进行小波尺度图转换时，小波尺度图定义为连续小波变换系数的模，具体公式为：
其中，GX(a,b)为小波尺度谱；wt(a,b)为信号x(t)的连续小波变换；a代表尺度因子，其对应的是信号中的频率成分，大尺度为高频成分，小尺度为低频成分；b表示平移因子；为母小波，t为信号采集时间。
进一步的，所述步骤(3)中取复Morlet小波、db18小波、Sym8小波、Meyer小波基函数进行小波尺度图转换。
进一步的，所述步骤(4)中的CNN网络模型为结构加深的VggNet-16网络模型。
进一步的，所述步骤(4)中通过裁剪、镜像、色彩渲染、缩放和旋转增强二维小波尺度图像特征，对VggNet-16网络模型各种超参数进行预训练。
进一步的，所述步骤(4)中VggNet-16网络模型对于低层卷积模块特征信息进行迁移，保留高层卷积模块特征，将增强后的二维小波尺度图像特征作为样本输入训练好的VggNet-16网络模型，将VggNet-16网络模型输出层替换为刀具磨损类别标签，识别刀具磨损状态。
进一步的，所述刀具磨损状态包括初始磨损、轻度磨损、中度磨损、严重磨损以及刀具失效。
有益效果：本发明相对于现有技术，其显著优点是选择高分辨率的复Morlet小波尺度图作为时频图像特征，使得VggNet-16深度迁移学习网络模型捕捉时频特征的局部信息时更加明显，从而提升刀具磨损状态的识别准确率，同时还具有较强的泛化能力。建立刀具磨损状态实时识别模型，摆脱对专家系统与先验知识的依赖，实现刀具磨损状态的准确把控，大大降低生产成本，有效地提升刀具的利用率。
附图说明
图1所示为本发明刀具磨损状态识别方法的流程示意图；
图2所示为本发明中机床装备以及传感器安装的结构示意图；
图3所示为本发明中不同小波基函数尺度图；
图4所示为本发明中深度迁移策略(VggNet-16)示意图；
图5所示为本发明刀具磨损状态识别系统示意图；
图6所示为本发明得到的刀具磨损分类标签预测准确率。
具体实施方式
实施例1
如图5所示，本发明一种基于小波尺度图和深度迁移学习的刀具磨损状态识别系统，包括信号采集模块、信号预处理模块、特征尺度图选取模块、CNN网络模型搭建模块、刀具磨损状态识别模块。信号采集模块进行原始信号采集，采集与刀具磨损相关性较高的客观物理量，如振动信号、切削力信号；振动信号以及切削力信号通过传感器获得，如图2所示，本实施例中采用端面铣削，Kistler三向测力仪3固定在工作台1与工件2之间，通过Kistler电荷放大器将力信号转化为电压信号；Kistler8636C加速度传感器4部署在工作台1和主轴4上，对应X、Y和Z方向上的振动信号。加工参数分为两组，如表1所示。
表1铣削实验的加工参数
信号预处理模块对采集的物理量进行时域、频域以及小波域特征提取，并进行相关性分析和小波包分解变换；尺度图像特征选取模块对不同小波基函数进行小波尺度图转换，选择时间分辨率与频率分辨率较高的复Morlet小波基函数尺度图像特征作为二维小波尺度图像特征；CNN网络模型搭建模块用于将二维小波尺度图像特征作为输入特征，搭建CNN网络模型，设置刀具磨损类别标签的输出单元；刀具磨损状态识别模块用于对二维小波尺度图像特征进行增强，完成CNN网络模型超参数预训练，将增强后的二维小波尺度图像特征作为样本输入训练好的CNN网络模型，识别刀具磨损状态。
实施例2
如图1所示，本发明一种基于小波尺度图和深度迁移学习的刀具磨损状态识别方法，包括以下步骤：
1、小波尺度特征提取，具体地包括以下子步骤：
(1)采集与刀具磨损相关性较高的客观物理量，如振动信号、切削力信号；
(2)对原始采集的振动信号以及切削力信号进行预处理操作，完成原始信号的时域、频域以及小波域特征提取。在本实施例中，对切削稳定阶段的20000至70000个采样点进行特征提取，将采样点频率进行归一化操作。50000个采样点作为一个样本数据，并按照VggNet-16网络模型将小波尺度图调整至224×224的输入图片尺寸大小。
通过Pearson相关系数法对样本数据进行相关性分析。Pearson相关系数法，具体公式为：
其中，ρxy为Pearson相关系数；xn为第n个x样本点；yn为第n个y样本点；n＝1,2，……，N，N为样本总数；为x总样本的数学期望或均值；/>为y总样本的数学期望或均值；在本实施例中利用大于0.95的高相关系数从时域、频域和时频域三个方向提取特征向量。
(3)小波基函数进行小波尺度图转换时；小波尺度图定义为连续小波变换系数的模，具体公式为：
其中，GX(a,b)为小波尺度谱；wt(a,b)为信号x(t)的连续小波变换；a代表尺度因子，其对应的是信号中的频率成分，大尺度为低频成分，小尺度为高频成分；b表示平移因子；为母小波，t为信号采集时间。
2、如图3所示，取复Morlet小波、db18小波、Sym8小波、Meyer小波基函数进行小波尺度图转换，选择时间分辨率与频率分辨率较高的复Morlet小波基函数尺度图像特征，选择高分辨率的复Morlet小波尺度图作为时频图像特征能很好的兼顾信号的时、频域关系，使得VggNet-16深度迁移学习网络模型捕捉时频特征的局部信息时更加明显，从而提升刀具磨损状态的识别准确率。
3、基于VggNet-16网络模型的刀具磨损状态识别，具体地包括以下子步骤：
(1)刀具不同磨损状态下信号呈现一定的频谱规律，各峰值频率呈倍频关系，得到的小波尺度图中的颜色变化确定不同时刻与频率的能量变化情况，通过刀具的磨损值对刀具磨损状态进行分类得到对应的刀具磨损类别标签，在本实施例中，设置5个分类的刀具磨损类别标签，5个分类的刀具磨损类别标签分别对应刀具磨损状态的5种状态包括初始磨损、轻度磨损、中度磨损、严重磨损以及刀具失效，其中刀具磨损值在0-0.03mm范围为初始磨损，磨损值在0.03-0.06mm范围为轻度磨损，磨损值在0.06-0.09mm范围为中度磨损，磨损值在0.09-0.11mm为重度磨损，磨损值在0.11mm以上为刀具失效，将样本数据中各刀具磨损类别标签对应的二维小波尺度图像特征作为输入特征，搭建结构加深的VggNet-16网络模型，VggNet-16网络模型共有16层网络结构，改变VggNet-16网络模型输出结构，使用校正线性函数ReLU来激活卷积层，采用Dropout正则化来应对全连接层中的过度拟合，VggNet-16网络模型的输出层为刀具磨损类别标签，得到根据二维小波尺度图像特征判断刀具磨损状态的VggNet-16网络模型。如图3所示，二维小波尺度图像中的频带1和频带9深色亮斑能量随着磨损程度加深变化明显，能够很好地反应铣刀的5种磨损状态信息。
在本实施例中，校正线性函数ReLU，具体公式为：
ReLU(x)＝max(0,x)，其中，x为函数自变量；
输出层被修正，具体公式为：
其中，y＝f(ωz+β)表示某些层面神经元的输出，y为传递函数，为修正函数，z为传递的输入样本，ω代表传递样本权重，β代表传递样本偏置，那么对改成采用Dropout操作，本质上就相当于将y逐元乘以一个同样大小的r，r指随机掩膜，r＝(ri)，ri代表第i次修正随机掩膜，服从伯努利分布；
(2)通过裁剪、镜像、色彩渲染、缩放和旋转等操作增强二维小波尺度图像特征，对VggNet-16网络模型各种超参数进行预训练。在本实施例中以准确率作为指标，研究训练过程中超参数(Epoch和Batch Size)对网络的影响。
(3)如图4所示，VggNet-16网络模型前三层卷积模块中对预训练得到的参数知识进行了迁移，迁移过后的卷积模块不再进行参数更新，大大简化了模型的计算复杂程度，改善了其针对复杂图像特征的识别效果；同时保留卷积模块4、卷积模块5以及全连接模块，学习输入的二维小波尺度图像特征，输出层输出刀具磨损类别标签，完成到刀具磨损状态的分类任务。
如图6所示，为VggNet-16网络模型输出的刀具5种不同磨损状态预测准确率的混淆矩阵，每一列代表了VggNet-16网络模型输出的预测标签(其中预测标签1至5分别对应五个刀具磨损状态：初始磨损、轻度磨损、中度磨损、严重磨损以及刀具失效)，每一列的总数表示预测为该类别标签的数据的准确率和误判率；每一行代表了刀具磨损状态的真实归属类别，即真实标签(其中预测标签1至5分别对应五个刀具磨损状态：初始磨损、轻度磨损、中度磨损、严重磨损以及刀具失效)，每一行的数据总数表示该类别的数据实例的准确率和误判率；右下角代表整个数据集所有分类的准确率和错误率，每一列中的数值表示真实数据被预测为该类的数目及样本占比，如真实标签1即真实情况下刀具磨损状态为初始磨损时，共有12个样本，占总样本的13.33％，通过模型输出的预测标签全部为预测标签1，即刀具全部被预测为初始磨损，则轻度磨损状态的预测准确率为100％，误测率为0.0％。同理，从图6可以看出其他磨损状态的预测准确率为100％，误测率为0.0％，整体识别准确率也是100％，整体误测率为0.0％。可以看出该基于VggNet-16网络模型的刀具磨损状态实时识别模型分类效果极佳。
建立基于VggNet-16网络模型的刀具磨损状态实时识别模型，摆脱对专家系统与先验知识的依赖，实现刀具磨损状态的准确把控，大大降低生产成本，有效地提升刀具的利用率。
Claims (10)
1.一种基于小波尺度图和深度迁移学习的刀具磨损状态识别系统，其特征在于，包括信号采集模块、信号预处理模块、尺度图像特征选取模块、CNN网络模型搭建模块、刀具磨损状态识别模块；
所述信号采集模块采集与刀具磨损相关的物理量；
所述信号预处理模块对采集的物理量进行时域、频域以及小波域特征提取，并进行相关性分析和小波包分解变换；
所述尺度图像特征选取模块对不同小波基函数进行小波尺度图转换，并基于时域和频域选取复Morlet小波基函数尺度图像特征作为二维小波尺度图像特征；
所述CNN网络模型搭建模块用于将二维小波尺度图像特征作为输入特征，搭建CNN网络模型，设置刀具磨损类别标签的输出单元；
所述刀具磨损状态识别模块用于对二维小波尺度图像特征进行增强，完成CNN网络模型超参数预训练，将增强后的二维小波尺度图像特征作为样本输入训练好的CNN网络模型，识别刀具磨损状态。
2.一种基于小波尺度图和深度迁移学习的刀具磨损状态识别方法，其特征在于，包括以下步骤：
（1）采集与刀具磨损相关的物理量；
（2）对采集的物理量进行时域、频域以及小波域特征提取，并进行相关性分析和小波包分解变换；
（3）对不同小波基函数进行小波尺度图转换，并基于时域和频域选取复Morlet小波基函数尺度图像特征作为二维小波尺度图像特征；
（4）将二维小波尺度图像特征作为输入特征，搭建CNN网络模型，设置刀具磨损类别标签的输出单元；
（5）对二维小波尺度图像特征进行增强，完成CNN网络模型超参数预训练，将增强后的二维小波尺度图像特征作为样本输入训练好的CNN网络模型，识别刀具磨损状态。
3.根据权利要求2所述的识别方法，其特征在于，所述步骤（1）中采集的物理量包括振动信号和切削信号。
4.根据权利要求2所述的识别方法，其特征在于，所述步骤（2）中通过Pearson相关系数法进行相关性分析，对时域、频域以及小波域特征归一化处理。
5.根据权利要求3所述的识别方法，其特征在于，所述步骤（3）中小波基函数进行小波尺度图转换时，小波尺度图定义为连续小波变换系数的模，具体公式为：
，
其中，为小波尺度谱；/>为信号/>的连续小波变换；/>代表尺度因子，其对应的是信号中的频率成分，大尺度为高频成分，小尺度为低频成分；/>表示平移因子；/>为母小波，/>为信号采集时间。
6.根据权利要求5所述的识别方法，其特征在于，所述步骤（3）中取复Morlet小波、db18小波、Sym8小波、Meyer小波基函数进行小波尺度图转换。
7.根据权利要求2至5任意一项所述的识别方法，其特征在于，所述步骤（4）中的CNN网络模型为结构加深的VggNet-16网络模型。
8.根据权利要求7所述的识别方法，其特征在于，所述步骤（4）中通过裁剪、镜像、色彩渲染、缩放和旋转增强二维小波尺度图像特征，对VggNet-16网络模型各种超参数进行预训练。
9.根据权利要求8所述的识别方法，其特征在于，所述步骤（4）中VggNet-16网络模型对于低层卷积模块特征信息进行迁移，保留高层卷积模块特征，将增强后的二维小波尺度图像特征作为样本输入训练好的VggNet-16网络模型，将VggNet-16网络模型输出层替换为刀具磨损类别标签，识别刀具磨损状态。
10.根据权利要求9所述的识别方法，其特征在于，所述刀具磨损状态包括初始磨损、轻度磨损、中度磨损、严重磨损以及刀具失效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110835944.0A CN113554621B (zh) | 2021-07-23 | 2021-07-23 | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110835944.0A CN113554621B (zh) | 2021-07-23 | 2021-07-23 | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554621A CN113554621A (zh) | 2021-10-26 |
| CN113554621B true CN113554621B (zh) | 2023-09-22 |
Family
ID=78104238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110835944.0A Active CN113554621B (zh) | 2021-07-23 | 2021-07-23 | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554621B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358162B (zh) * | 2021-12-27 | 2024-02-02 | 中国人民解放军国防科技大学 | 一种基于连续小波变换的跌倒检测方法、装置及电子设备 |
| CN114871850B (zh) * | 2022-04-22 | 2023-07-21 | 浙江大学 | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 |
| CN117170306B (zh) * | 2023-10-31 | 2024-03-15 | 成都飞机工业（集团）有限责任公司 | 一种刀具状态监控方法、系统、电子设备及存储介质 |
| CN117752315A (zh) * | 2024-02-22 | 2024-03-26 | 天津大学温州安全(应急)研究院 | 一种光电容积脉搏波数据心律不齐检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0349850A (ja) * | 1989-07-13 | 1991-03-04 | Omron Corp | 工具損傷検出装置 |
| CN109605127A (zh) * | 2019-01-21 | 2019-04-12 | 南京航空航天大学 | 一种刀具磨损状态识别方法及系统 |
| CN111832432A (zh) * | 2020-06-23 | 2020-10-27 | 华中科技大学 | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 |
| CN112101220A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
| CN112729835A (zh) * | 2021-01-30 | 2021-04-30 | 温州大学 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
-
2021
- 2021-07-23 CN CN202110835944.0A patent/CN113554621B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0349850A (ja) * | 1989-07-13 | 1991-03-04 | Omron Corp | 工具損傷検出装置 |
| CN109605127A (zh) * | 2019-01-21 | 2019-04-12 | 南京航空航天大学 | 一种刀具磨损状态识别方法及系统 |
| CN111832432A (zh) * | 2020-06-23 | 2020-10-27 | 华中科技大学 | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 |
| CN112101220A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
| CN112729835A (zh) * | 2021-01-30 | 2021-04-30 | 温州大学 | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 采用深度学习的铣刀磨损状态预测模型;戴稳;张超勇;孟磊磊;薛燕社;肖鹏飞;尹勇;;中国机械工程(第17期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554621A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113554621B (zh) | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 | |
| 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 | |
| Xu et al. | Deep learning-based tool wear prediction and its application for machining process using multi-scale feature fusion and channel attention mechanism | |
| CN106779418B (zh) | 基于神经网络和证据理论的水污染事件智能决策方法 | |
| CN112435363B (zh) | 一种刀具磨损状态实时监测方法 | |
| CN114048568B (zh) | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 | |
| CN108803486A (zh) | 基于并联深度学习网络的数控机床热误差预测与补偿方法 | |
| CN112766182B (zh) | 一种拉削刀具磨损状态识别方法 | |
| 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 | |
| CN113378725A (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
| CN104749334A (zh) | 基于模式识别的生物式异常水质评价系统设计方法 | |
| 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 | |
| CN113752089B (zh) | 一种基于奇异性李氏指数的刀具状态监测方法 | |
| CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
| 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 | |
| CN115496100A (zh) | 一种基于GAF-ConvNeXt-TF的周界安防扰动识别算法 | |
| CN115169401A (zh) | 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法 | |
| CN114297912A (zh) | 基于深度学习的刀具磨损预测方法 | |
| CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| CN105825215A (zh) | 一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体 | |
| CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
| CN113158878B (zh) | 一种基于子空间的异构迁移故障诊断方法、系统和模型 | |
| CN114714145A (zh) | 一种刀具磨损状态的格拉姆角场增强对比学习监测方法 | |
| CN114357851A (zh) | 一种基于dae-rnn的数控铣削表面粗糙度预测方法 | |
| CN112800041A (zh) | 一种基于邻域查询的机械监测标签数据质量保障方法 |
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 |