CN114462317A - 基于gru神经网络的智能刀柄辅助铣削刀具寿命预测方法 - Google Patents
基于gru神经网络的智能刀柄辅助铣削刀具寿命预测方法 Download PDFInfo
- Publication number
- CN114462317A CN114462317A CN202210138349.6A CN202210138349A CN114462317A CN 114462317 A CN114462317 A CN 114462317A CN 202210138349 A CN202210138349 A CN 202210138349A CN 114462317 A CN114462317 A CN 114462317A
- Authority
- CN
- China
- Prior art keywords
- neural network
- tool
- gru neural
- data
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Neurology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明公开了一种基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,包括以下步骤,1)获取刀具的状态监测信号,并对该状态监测信号进行数据预处理,获取刀具的数据样本集;2)对数据样本集中的有效数据进行特征选择,并获取由特征值和刀具磨损量组成的GRU神经网络训练用样本数据集;3)基于该样本数据集搭建GRU神经网络模型获取刀具的状态监测信号与磨损值的时序分析预测数据。本发明的GRU模型的特殊结构可以充分考虑时间序列中工况场景和磨损特征的变化及其累积效应,同时GRU的模糊性可以在空间上对工况场景和加工磨损特征复杂相关关系进行建模,同时需求数据量更小、拥有更快地训练速度。
Description
技术领域
本发明属于刀具寿命预测技术领域,尤其涉及一种基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法。
背景技术
刀具作为在工业制造过程中的重要工具,其寿命和磨损状态影响着工件的生产质量,生产效率以及车床的健康状态。如果能精准预测出刀具的剩余寿命,将有效地降低工业制造的成本。
Rangwala等首次将人工神经网络应用于刀具状态监测中,该方法后来以其强大的学习能力被刀具状态监测领域广泛使用。与前面学者使用的网络结构不同,蒋丽英等建立了基于径向基神经网络的一步和多步刀具磨损状态预测模型,通过仿真实验证明其预测精度高于支持向量机。Huang等提出一种基于径向基神经网络的电火花加工电极磨损预测模型,该模型能控制预测误差在8%以内。李梅娟等也应用了RBF神经网络监控刀具状态。对于变工况下的刀具剩余寿命预测,同一把刀具在其生命周期内可能加工多个零件,刀具是在一种不断变化的加工条件下工作的,其磨损情况随着加工条件而变化,加工中工况变化与刀具磨损之间关系更为复杂。很多预测方法的应用具有局限性,无法跟踪刀具磨损情况并预测剩余使用寿命。
发明内容
针对现有技术的上述不足,本发明所要解决的技术问题是:提供一种适用于关键设备铣削刀具的通用寿命预测方法,通过分析现阶段的刀具状态监控技术,选取效果较为理想的刀具状态监测信号,利用数据预处理、特征选择和GRU神经网络的方法建立刀具剩余寿命预测模型。
为了解决上述技术问题,本发明采用了如下的技术方案:
基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,包括以下步骤,
1)获取刀具的状态监测信号,并对该状态监测信号进行数据预处理,获取刀具的数据样本集;
2)对数据样本集中的有效数据进行特征选择,并获取由特征值和刀具磨损量组成的GRU神经网络训练用样本数据集;
3)基于该样本数据集搭建GRU神经网络模型获取刀具的状态监测信号与磨损值的时序分析预测数据。
作为优化,所述获取刀具的数据样本集包括以下步骤,
1)通过智能刀柄获取刀具X、Y、Z轴的若干状态监测信号;
2)对该状态监测信号进行数据预处理,提取所述状态监测信号的时域特征和频域特征;
3)将刀具的寿命周期连续均匀分为T个样本,其中,刀具的一次走刀作为一个样本,得到T个分段向量,每个分段向量包含多个特征分量,得到刀具的数据样本集,即,
Xorg=[C1,C2,C3,…,CT] (1)
CT=[x1,x2,x3,…,xT] (2)
其中,Xorg为刀具的数据样本集,CT为对应样本的分段向量,xT为对应样本的特征分量。
作为优化,所述状态监测信号包括切削力信号、振动信号以及声发射信号;所述数据预处理包括空值处理、离群值处理、多项式趋势处理。
作为优化,所述时域特征包括均值、均方差、方根幅值、均方根、峰值、峰峰值、偏度、峰度;所述频域特征包括幅值谱模最大值、自功率谱模最大值。
作为优化,所述GRU神经网络训练用样本数据集的获取,包括以下步骤,
1)将所述刀具的数据样本集中的所有特征归一化处理为具有零均值与单位方差,采用如下公式,
其中,i表示样本编号,j表示特征编号;
2)通过过滤型的特征选择算法提取特征的特征子集降低数据的维数;
3)为每个特征子集中的特征结合刀具磨损值B建立假设检验,其中,假设特征与刀具磨损值B无关,并进行多重假设检验后,得到反映特征与刀具磨损量相关程度的p值向量,即,
p=(p1,p2,…,pn) (4)并对p值向量进行排序,得到,
pi′=(p1′,p2′,…,pn′) (5)
4)对每个特征子集中的特征计算ri,计算公式如下,
其中,q表示错误发现率水平;
5)比较(i,ri)和(i,pi′)形成的曲线,其中(i,pi′)形成的曲线小于(i,ri)形成的曲线的部分对应的假设被拒绝,得到特征值和刀具磨损量组成的GRU神经网络训练用样本数据集。
作为优化,所述GRU神经网络模型的搭建包括以下步骤,
1)上方建立序列输入层,其大小与所述的特征分量的数量相对应;
2)中间建立两层的GRU神经网络,每层的神经元数量少于所述样GRU神经网络训练用样本数据集的数量,对应参与训练的时间序列数量;以每个所述GRU神经网络训练用样本数据集中的分段向量作为一个神经网络输入,并将神经网络输入定义为,
其中,Bt表示刀具t时刻之后的刀具磨损量,Ct′表示由公式(3)计算得到的x的特征子集组成的特征值;
3)建立一个大小为1的全连接层和回归层明确问题描述;
4)在训练中选择平均绝对值误差损失函数作为训练误差,并采用早停的方法得到最优的模型;
5)训练完成后,使用剩余的样本数据集作为对比样本进行测试。
作为优化,所述GRU神经网络模型的搭建步骤2中,利用网格搜索方法搜索最优超参数,更新门、重置门激活函数选择Sigmoid函数,状态激活函数选择tanh函数,选择Adam优化器,梯度阈值设置为1,指定初始学习率0.005,并采用多轮训练,多轮训练后乘以因子0.2。
作为优化,所述GRU神经网络模型的搭建步骤4中,所述早停的方法为将早停步数设置为20步,即当loss在20次训练中误差不再明显下降便停止训练。
本申请与现有技术相比具有以下有益效果:
该方法采用智能刀柄从过程监测信号中提取出磨损特征以衡量连续加工状态的刀具磨损,考虑预测的有效性和在工业环境中的适用性,选用通过GRU神经网络学习加工中工步上下游与刀具磨损特征变化之间的关联关系,在此基础上进一步预测刀具剩余寿命,GRU神经网络使用参数更少,训练速度更快,相比之下需要的数据量更少。由于GRU模型的特殊结构可以充分考虑时间序列中工况场景和磨损特征的变化及其累积效应,同时GRU的模糊性可以在空间上对工况场景和加工磨损特征复杂相关关系进行建模。本发明考虑了连续加工条件下上下游工步与刀具磨损之间复杂的时空关系,对于时间序列下刀具剩余寿命预测具有较好的适用性。
附图说明
图1是本发明的流程框图;
图2是本发明的每次走刀后的磨损量实际与预测对比图;
图3是本发明的测试样本对比与均方根误差图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
具体实施时:参见图1,
基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,包括以下步骤,
1)获取刀具的状态监测信号,并对该状态监测信号进行数据预处理,获取刀具的数据样本集。
所述获取刀具的数据样本集包括以下步骤,
1)通过智能刀柄获取刀具X、Y、Z轴的若干状态监测信号;
2)对该状态监测信号进行数据预处理,提取所述状态监测信号的时域特征和频域特征;
3)将刀具的寿命周期连续均匀分为T个样本,其中,刀具的一次走刀作为一个样本,得到T个分段向量,每个分段向量包含多个特征分量,得到刀具的数据样本集,即,
Xorg=[C1,C2,C3,…,CT] (1)
CT=[x1,x2,x3,…,xT] (2)
其中,Xorg为刀具的数据样本集,CT为对应样本的分段向量,xT为对应样本的特征分量。
具体的,通过智能刀柄以50kHz的采样频率收集铣刀刀具状态监测信号中的X、Y、Z轴的切削力信号、振动信号以及声发射信号等总共7种监测信号。数据预处理进行空值处理、离群值处理、多项式趋势处理,提取7种监测信号的时域特征(包括均值、均方差、方根幅值、均方根、峰值、峰峰值、偏度、峰度),频域特征(幅值谱模最大值、自功率谱模最大值)共计10种特征。将刀具寿命周期连续均匀分段,一次走刀作为一个样本,本实施例中,得到315个分段向量,即315次走刀作为样本,每个分段向量包含70个特征分量,即,
Xorg=[C1,C2,C3,…,C315] (8)
CT=[x1,x2,x3,…,x70] (9)
2)对数据样本集中的有效数据进行特征选择,并获取由特征值和刀具磨损量组成的GRU神经网络训练用样本数据集。
所述GRU神经网络训练用样本数据集的获取,包括以下步骤,
1)将所述刀具的数据样本集中的所有特征归一化处理为具有零均值与单位方差,采用如下公式,
其中,i表示样本编号,j表示特征编号;
2)通过过滤型的特征选择算法Benjamini-Yekutieli方法提取特征的特征子集降低数据的维数,具体的,该特征子集为,
f1,f2,…,fn(n<T) (10)
3)为每个特征子集中的特征结合刀具磨损值B建立假设检验,其中,假设特征与响应(刀具磨损值B)无关,并进行多重假设检验后,得到反映特征与刀具磨损量相关程度的p值向量,其中,刀具磨损值B对应于样本在t时刻之后的磨损值,其数量与特征子集的数量相对应。所述反映特征与刀具磨损量相关程度的p值向量为,
p=(p1,p2,…,pn) (4)并对p值向量进行排序,得到,
pi′=(p1′,p2′,…,pn′) (5)
4)对每个特征子集中的特征计算ri,计算公式如下,
其中,q表示错误发现率(False Discovery Rate,FDR)水平;
5)比较(i,ri)和(i,pi′)形成的曲线,其中(i,pi′)形成的曲线小于(i,ri)形成的曲线的部分对应的假设被拒绝,即(i,pi′)形成的曲线小于(i,ri)形成的曲线的结果保留,其他部分舍弃,得到特征值和刀具磨损量组成的GRU神经网络训练用样本数据集。在本实施例中,特征选择完成得到特征值和磨损量组成的训练用样本数据集共164列,对应164个时间序列。
3)基于该样本数据集搭建GRU神经网络模型获取刀具的状态监测信号与磨损值的时序分析预测数据。
所述GRU神经网络模型的搭建包括以下步骤,
1)上方建立序列输入层,其大小为70;
2)中间建立两层的GRU神经网络,每层140个神经元,对应参与训练的140个时间序列。利用网格搜索方法搜索最优超参数,隐藏层的单元设置为400,更新门、重置门激活函数选择Sigmoid函数,状态激活函数选择tanh函数,选择Adam优化器,梯度阈值设置为1,指定初始学习率0.005,在125轮训练后通过乘以因子0.2来降低学习率,更好拟合曲线。
3)最后建立一个大小为1的全连接层和回归层明确问题描述;
以每个所述GRU神经网络训练用样本数据集中的分段向量作为一个神经网络输入,并将神经网络输入定义为,
其中,Bt表示刀具t时刻之后的刀具磨损量,Ct′表示由公式(3)计算得到的x的特征子集组成的特征值;
具体的,将神经网络输入定义为,
4)在训练中选择平均绝对值误差损失函数作为训练误差,并采用早停的方法得到最优的模型,早停步数设置为20步即当loss在20次训练中误差不再明显下降便停止训练。
5)训练完成后,使用剩余的24组样本数据集作为对比样本进行测试。
每次走刀后的磨损量实际与预测对比图如图2所示,测试样本对比与均方根误差如图3所示。
该方法采用智能刀柄从过程监测信号中提取出磨损特征以衡量连续加工状态的刀具磨损,考虑预测的有效性和在工业环境中的适用性,选用通过GRU神经网络学习加工中工步上下游与刀具磨损特征变化之间的关联关系,在此基础上进一步预测刀具剩余寿命,GRU神经网络使用参数更少,训练速度更快,相比之下需要的数据量更少。由于GRU模型的特殊结构可以充分考虑时间序列中工况场景和磨损特征的变化及其累积效应,同时GRU的模糊性可以在空间上对工况场景和加工磨损特征复杂相关关系进行建模。本发明考虑了连续加工条件下上下游工步与刀具磨损之间复杂的时空关系,对于时间序列下刀具剩余寿命预测具有较好的适用性。与现有技术相比,对工业环境适用性好,且预测误差可达到0.01,对样本实例进行学习预测,网络的预测准确率可至90%以上。
本发明GRU模型的特殊结构可以充分考虑时间序列中工况场景和磨损特征的变化及其累积效应,同时GRU的模糊性可以在空间上对工况场景和加工磨损特征复杂相关关系进行建模,同时需求数据量更小、拥有更快地训练速度。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以在不脱离本发明的原理和基础的情况下对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附加权利要求极其等同物限定,因此本发明的实施例只是针对本发明的一个说明示例,无论从哪一点来看本发明的实施例都不构成对本发明的限制。
Claims (8)
1.基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,其特征在于:包括以下步骤,
1)获取刀具的状态监测信号,并对该状态监测信号进行数据预处理,获取刀具的数据样本集;
2)对数据样本集中的有效数据进行特征选择,并获取由特征值和刀具磨损量组成的GRU神经网络训练用样本数据集;
3)基于该样本数据集搭建GRU神经网络模型获取刀具的状态监测信号与磨损值的时序分析预测数据。
2.根据权利要求1所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,其特征在于:所述获取刀具的数据样本集包括以下步骤,
1)通过智能刀柄获取刀具X、Y、Z轴的若干状态监测信号;
2)对该状态监测信号进行数据预处理,提取所述状态监测信号的时域特征和频域特征;
3)将刀具的寿命周期连续均匀分为T个样本,其中,刀具的一次走刀作为一个样本,得到T个分段向量,每个分段向量包含多个特征分量,得到刀具的数据样本集,即,
Xorg=[C1,C2,C3,…,CT] (1)
CT=[x1,x2,x3,…,xT] (2)
其中,Xorg为刀具的数据样本集,CT为对应样本的分段向量,xT为对应样本的特征分量。
3.根据权利要求2所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,其特征在于:所述状态监测信号包括切削力信号、振动信号以及声发射信号;所述数据预处理包括空值处理、离群值处理、多项式趋势处理。
4.根据权利要求2所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,其特征在于:所述时域特征包括均值、均方差、方根幅值、均方根、峰值、峰峰值、偏度、峰度;所述频域特征包括幅值谱模最大值、自功率谱模最大值。
5.根据权利要求2所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,其特征在于:所述GRU神经网络训练用样本数据集的获取,包括以下步骤,
1)将所述刀具的数据样本集中的所有特征归一化处理为具有零均值与单位方差,采用如下公式,
其中,i表示样本编号,j表示特征编号;
2)通过过滤型的特征选择算法提取特征的特征子集降低数据的维数;
3)为每个特征子集中的特征结合刀具磨损值B建立假设检验,其中,假设特征与刀具磨损值B无关,并进行多重假设检验后,得到反映特征与刀具磨损量相关程度的p值向量,即,
p=(p1,p2,...,pn) (4)
并对p值向量进行排序,得到,
pi′=(p1′,p2′,...,pn′) (5)
4)对每个特征子集中的特征计算ri,计算公式如下,
其中,q表示错误发现率水平;
5)比较(i,ri)和(i,pi′)形成的曲线,其中(i,pi′)形成的曲线小于(i,ri)形成的曲线的部分对应的假设被拒绝,得到特征值和刀具磨损量组成的GRU神经网络训练用样本数据集。
6.根据权利要求5所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,其特征在于:所述GRU神经网络模型的搭建包括以下步骤,
1)上方建立序列输入层,其大小与所述的特征分量的数量相对应;
2)中间建立两层的GRU神经网络,每层的神经元数量少于所述样GRU神经网络训练用样本数据集的数量,对应参与训练的时间序列数量;以每个所述GRU神经网络训练用样本数据集中的分段向量作为一个神经网络输入,并将神经网络输入定义为,
其中,Bt表示刀具t时刻之后的刀具磨损量,Ct′表示由公式(3)计算得到的x的特征子集组成的特征值;
3)建立一个大小为1的全连接层和回归层明确问题描述;
4)在训练中选择平均绝对值误差损失函数作为训练误差,并采用早停的方法得到最优的模型;
5)训练完成后,使用剩余的样本数据集作为对比样本进行测试。
7.根据权利要求6所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,其特征在于:所述GRU神经网络模型的搭建步骤2中,利用网格搜索方法搜索最优超参数,更新门、重置门激活函数选择Sigmoid函数,状态激活函数选择tanh函数,选择Adam优化器,梯度阈值设置为1,指定初始学习率0.005,并采用多轮训练,多轮训练后乘以因子0.2。
8.根据权利要求6所述的基于GRU神经网络的智能刀柄辅助铣削刀具寿命预测方法,其特征在于:所述GRU神经网络模型的搭建步骤4中,所述早停的方法为将早停步数设置为20步,即当loss在20次训练中误差不再明显下降便停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210138349.6A CN114462317A (zh) | 2022-02-15 | 2022-02-15 | 基于gru神经网络的智能刀柄辅助铣削刀具寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210138349.6A CN114462317A (zh) | 2022-02-15 | 2022-02-15 | 基于gru神经网络的智能刀柄辅助铣削刀具寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114462317A true CN114462317A (zh) | 2022-05-10 |
Family
ID=81413850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210138349.6A Pending CN114462317A (zh) | 2022-02-15 | 2022-02-15 | 基于gru神经网络的智能刀柄辅助铣削刀具寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462317A (zh) |
-
2022
- 2022-02-15 CN CN202210138349.6A patent/CN114462317A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674752B (zh) | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 | |
CN109740661B (zh) | 一种基于模糊评估的油井动液面自适应预测方法 | |
CN109396576B (zh) | 基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
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 | |
CN107092582A (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
JP2006024195A (ja) | 生産工程の品質予測システムおよびその方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
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 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
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 | |
CN111832624A (zh) | 一种基于对抗迁移学习的刀具剩余寿命预测方法 | |
CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
CN109779791B (zh) | 一种固体火箭发动机中异常数据智能诊断方法 | |
CN110555230A (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
CN112518425B (zh) | 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 | |
Hou et al. | Tool wear prediction based on domain adversarial adaptation and channel attention multiscale convolutional long short-term memory network | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
CN114239810A (zh) | 一种基于改进PCANet模型的铣刀磨损预测方法 | |
CN117390960A (zh) | 一种数控机床用加工精度智能分析方法 | |
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 | |
CN116381510A (zh) | 一种锂电池剩余寿命的预测方法、系统及存储介质 | |
Lorenti et al. | Cuad-mo: Continuos unsupervised anomaly detection on machining operations |
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 |