CN116448047A - 基于时频图融合-残差网络的加工表面粗糙度预测方法 - Google Patents
基于时频图融合-残差网络的加工表面粗糙度预测方法 Download PDFInfo
- Publication number
- CN116448047A CN116448047A CN202310374833.3A CN202310374833A CN116448047A CN 116448047 A CN116448047 A CN 116448047A CN 202310374833 A CN202310374833 A CN 202310374833A CN 116448047 A CN116448047 A CN 116448047A
- Authority
- CN
- China
- Prior art keywords
- surface roughness
- frequency band
- signals
- frequency
- roughness
- 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
- 230000003746 surface roughness Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010586 diagram Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000010219 correlation analysis Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- 238000003754 machining Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000002596 correlated effect Effects 0.000 abstract 1
- 238000012216 screening Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了基于时频图融合‑残差网络的加工表面粗糙度预测方法，包括如下方法步骤：步骤一：试验数据样本采集；步骤二：紧相关通道选择；步骤三：紧相关频段选择，步骤四，信号融合，步骤五，基于ResNe预测模型构建。本发明通过将振动位移信号和振动位移信号小波包分解各频段重构信号与表面粗糙度二维轮廓做互相关分析很好的去除了与灰色关联度不大的冗余信息，并同过在ResNet的基础上引入扩张卷积很好的处理了输入与输出之间存在的非线性关系，并有利的将各频段信号更好的关联，表面粗糙度预测在精度上有大幅度提升，对于高精度预测具有较好的工程意义，有利于在线质量的监控和调整。
Description
技术领域
本发明涉及工件加工质量技术领域，具体为基于时频图融合-残差网络的加工表面粗糙度预测方法。
背景技术
表面粗糙度是衡量加工质量的核心评价指标，它与工件的耐磨性、疲劳强度、耐腐蚀性和配合性质等有直接关系。随着工业和制造业的发展，在加工中对工件加工质量的要求也日益提高。当前获得工件表面粗糙度的常用方法是直接测量法，采用粗糙度测量仪测出加工后表面粗糙度。该方法采用“先加工、后检验”方式来获取表面粗糙度，不能及时反馈加工过程中的表面粗糙度，会对其加工质量有一定影响，且须人工检验，效率低且成本高，不能适应目前对自动化和智能化的需求。因此一种高精度的在线表面粗糙度预测方法一直是研究热点。
目前的在线预测方法是在理想情况下，通过大量试验数据构建理论模型或试验模型；该类模型主要采用工艺参数或相关的物理量确定表面粗糙度，但由于加工环境复杂，影响加工后表面粗糙度的因素众多，如刀具磨损状态、工件材料及冷却液等，因此所建立的模型与实际情况不能很好的吻合，导致预测精度较低；而机械加工过程中的刀具与工件的干涉作用是通过被加工后工件表面粗糙度等形式表现出来，因此振动信号必然与加工后工件表面粗糙度存在联系；
国内外学者已经针对加工表面粗糙度预测方法展开了大量的研究，利用加速度振动信号进行表面完整性已成为一种较为成熟的技术，应用较为广泛的有回归分析法和人工神经网络等，主要通过采集加工过程中的振动信号，并基于时域、频域、时频域分析手段或机器学习方法提取采集信号的特征，利用这些信号特征与表面完整性的强相关性，预测加工零件的表面完整性，现有表面完整性预测研究虽然能够在一定程度上预测表面完整性，但存在以下不足：一是未考虑在加工过程中，机床不同方位的振动对工件表面完整性的影响程度，以及利用振动信号作为输入特征时冗余信息的去除，二是在利用振动信号作为预测模型的输入特征时，模型应保证包含足够数量的非线性层去从复杂可变的信号中区分不同表面完整性的特征。
发明内容
本发明的目的在于提供基于时频图融合-残差网络的加工表面粗糙度预测方法，解决了背景技术中所提出的问题。
1.为实现上述目的，本发明提供如下技术方案：基于时频图融合-残差网络的加工表面粗糙度预测方法，包括如下方法步骤：
步骤一：试验数据采集，分为振动信号和表面粗糙度两部分工作。振动信号采集方法是使用传感器采集机床加工时不同位置及相同位置不同方位的振动信号；表面粗糙度采集方法是使用粗糙度测量仪采集被加工件上与振动信号对应的点的表面粗糙度值与表面粗糙度二维轮廓；
试验数据采集，使用位移传感器采集机床加工时不同位置及相同位置不同方位的信号，如主轴x、y、z方向，刀柄等接近切削点位置的信号，当加工完成后，使用粗糙度测量仪采集与振动信号对应点的表面粗糙度值与表面二维轮廓；
步骤二：敏感通道选择，通过互相关分析选择与表面粗糙度二维轮廓相关性大的通道，记为紧相关通道；
步骤三：敏感频段选择，通过互相关分析选择与表面粗糙度二维轮廓相关性大的频段，记为紧相关频段；
敏感通道选择，通过互相关分析选择与表面粗糙度二维轮廓相关性大的敏感通道；
步骤三：敏感频段选择，通过互相关分析选择与表面粗糙度二维轮廓相关性大的敏感频段。
步骤四，信号融合，融合各敏感频段小波包分解时频图像素矩阵；
步骤五，建立深度残差网络，以融合后的时频图像素矩阵和对应的表面粗糙度值作为样本，划分为训练集和测试集，导入神经网络中进行训练，得到表面粗糙度预测模型。
2.作为本发明的一种优选实施方式，所述步骤二中对各通道各采样点振动信号与表面粗糙度二维轮廓做互相关分析，得到各通道振动信号各采样点与对应表面粗糙度二维轮廓的互相关系数，分别将各通道所有采样点相关系数相加，保留值大的通道为敏感通道。
作为本发明的一种优选实施方式，所述步骤三中对保留的敏感通道信号做小波包分解，利用信号重构公式对小波包分解之后最底层节点进行单节点重构，将小波包分解系数还原为不同频段成分的时序信号。对各通道振动信号各频段重构信号与对应的表面粗糙度二维轮廓做互相关分析，得到各通道振动信号各频段重构信号各采样点与对应粗糙度二维轮廓的互相关系数，把各通道振动信号各频段重构信号所有采样点相加，保留值大的频段为敏感频段。
作为本发明的一种优选实施方式，所述步骤四中信号融合是将振动信号进行小波包分解得到小波包分解时频图，将时频图转化为像素点，根据步骤三中选择的敏感频段，对相同频段敏感通道像素点进行相加实现信号的加强，完成信号融合，信号融合如图4所示。
作为本发明的一种优选实施方式，所述步骤五中采用以残差网络为基础，引入扩张卷积增大感受野，可以发现不同频段信息间的关联，提高预测精度。
与现有技术相比，本发明的有益效果如下：
本发明首先使用多个传感器多通道采集车削加工系统中不同方位上的振动信号，同时，使用粗糙度测量仪对应点的表面粗糙度值与表面粗糙度二维轮廓，通过对振动位移信号与粗糙度表面二维轮廓做互相关分析筛选敏感通道，对保留下的振动信号进行小波包分解，然后对分解后各频段分别进行重构，得到各频段重构信号，对各频段重构信号与表面粗糙度二维轮廓做互相关分析筛选敏感频段，可以很好的表达出各频段重构信号对于表面粗糙度二维轮廓的影响，从细节上提高信号对粗糙度的识别能力，融合去除冗余信息后的小波包分解时频图像素矩阵，最后划分数据集为训练集、测试集，然后利用训练集训练ResNet模型，确定模型参数并验证其性能，符合停止准则时保存训练好的模型，分析预测结果，给出评价指标，停止准则指达到了规定的迭代次数或连续两代训练时误差不再下降；
通过本发明，利用振动位移信号与粗糙度二维轮廓间的做互相关分析性，更好的从细节上把握了振动信号与表面粗糙度间的相关性，很好的去除了与表面粗糙度关联度不大的冗余信息，并同过在ResNet的基础上引入了扩张卷积，扩大了感受野，更有利于发现各频段之间的联系，且很好的处理了输入与输出之间存在的非线性关系，表面完整性综合指标预测在精度上有大幅度提升，对于高精度预测具有较好的工程意义，有利于在线质量的监控和调整。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明流程图；
图2为紧相关通道筛选图；
图3为紧相关频段筛选图；
图4信号融合图；
图5为本发明模型结构参数图；
图6为表面粗糙度预测结果。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
请参阅图1-5，本发明提供一种技术方案：基于时频图融合-残差网络的加工表面粗糙度预测方法，其中包括利用互相关分析筛选敏感通道，然后通过敏感通道中敏感频段的选择再次提高了与预测参数相关输入信息；在残差网络预测模型的基础上引入了扩张卷积，可以更好的发现不同频段间的联系，有利于提高预测精度。
步骤1：试验数据采集，在加工过程中，影响表面粗糙度的因素有刀具磨损状态、机床性能和加工参数等，但这些最终都会通过振动的形式对表面粗糙度产生影响，基于此，使用传感器采集车床加工时不同位置及相同位置不同方位的信号，如主轴x、y、z方向，后导向等接近切削点位置的信号，当加工完成后，使用粗糙度测量仪采集与振动信号对应点的表面粗糙度值与表面二维轮廓，本实例采集了主轴、前导向、后导向位置共8通道信号；
步骤2：敏感通道选择，
加工过程中刀具与工件间的相互振动将会体现在加工后的表面粗糙度上，采集的多通道振动信号(主轴、刀柄和导向等位置)由于其位置的不同，与表面粗糙度的相关性大小也有不同，对各通道振动信号与表面粗糙度二维轮廓做互相关分析，如式(1)：
式中：yi为振动信号的第i个数据点，为原信号均值，ci为粗糙度二维轮廓的第i个数据点，/>为粗糙度二维轮廓的均值，N为信号长度，Rh(h＝1,2,3…,H为采样点)为各采样点振动信号与粗糙度二维轮廓的互相关系数。相关系数的取值在(0,1)内。
得到各通道振动信号各采样点与对应粗糙度二维轮廓的互相关系数(m＝1,2,3,…,M为振动信号通道数，h＝1,2,3…,H为采样点)，分别把把各通道所有采样点相加得Rm根据其的大小选择其通道数，保留z个最大的通道为敏感通道。本实例保留四个敏感通道为例，其通道筛选图如图2所示。
步骤三：敏感频段选择，研究不同采样通道采集的振动信号不同频段与表面二维轮廓的相关性；
对振动信号做小波包分解，如式(2)：
对于第j层小波包分解，重构公式为(3)：
式中，h为高通滤波器系；g为低通滤波器系数；为第j层小波包分解的第i个子频带所对应的第t个系数。
设振动信号为y(t)，则经过小波包分解的信号如式(4)：
式中：Si为第i个频带小波系数重构之后的信号；j为小波包分解层数；m为j层小波包分解的总频带数。
利用信号重构公式对小波包分解之后的各个频带进行小波系数重构，可以将系数还原为不同频段的时序信号。
对各通道振动信号各频段与对应的表面粗糙度二维轮廓做互相关分析，如式(1)：
式中：yi为小波包分解各频段重构信号的第i个数据点，为小波包分解各频段重构信号均值，ci为粗糙度二维轮廓的第i个数据点，/>为粗糙度二维轮廓的均值，N为信号长度，Rh为小波包分解各频段重构信号与粗糙度二维轮廓的互相关系数。
得到各通道振动信号各频段重构信号各采样点与对应粗糙度二维轮廓的互相关系数(k＝1,2,3,…,K＝z×2j为z个敏感频段分解j层的频段数，h＝1,2,3…,H为采样点)把各通道振动信号各频段重构信号所有采样点相加得/>根据其Rk的大小选择敏感频段，保留p个最大的通道为敏感通道。以4通道进行三层小波包分解为例，敏感频段筛选图如图3所示。
步骤四，信号融合，融合各频段敏感通道小波包分解时频图像素矩阵；
将振动信号进行小波包分解得到小波包分解时频图，将时频图转化为像素点，根据步骤三中选择的敏感频段，对相同频段敏感通道像素点进行相加实现信号的加强，完成信号融合。步骤三中的例子筛选的敏感频段为例，信号融合如图4所示。
步骤五，建立深度残差网络模型。残差结构可以保证预测模型具有足够多的非线性变换层去挖掘振动信号与表面粗糙度之间的关系，扩张卷积的引入可以更好的将不同频段之间的信息进行关联，从而实现更精准的预测。模型结构参数如图5所示。
初始化残差网络模型参数，设置算法的超参数，包括学习率、迭代次数和各层网络中激活函数的选择。
将信号融合后的时频图像素矩阵和对应的表面粗糙度值作为样本，划分为训练集和测试集，导入深度残差网络中进行训练。网络训练完成后得到预测模型的权重和偏置，保存训练好的模型。
本实例中采用实际切削加工数据对本发明进行检验，设计对比实验，利用互相关分析选择的紧相关频段进行信号融合效果最好。
表1全频段融合与敏感频段融合的RMSE值
| 信号融合 | RMSE |
| 全频段 | 0.0261 |
| 紧相关频段 | 0.0187 |
Claims (2)
1.基于时频图融合-残差网络的加工表面粗糙度预测方法，其特征在于：包括如下方法步骤：
步骤一：试验数据采集，分为振动信号和表面粗糙度两部分工作。振动信号采集方法是使用传感器采集机床加工时不同位置及相同位置不同方位的振动信号；表面粗糙度采集方法是使用粗糙度测量仪采集被加工件上与振动信号对应的点的表面粗糙度值与表面粗糙度二维轮廓；
步骤二：敏感通道选择，通过互相关分析选择与表面粗糙度二维轮廓相关性大的通道，记为紧相关通道；
步骤三：敏感频段选择，通过互相关分析选择与表面粗糙度二维轮廓相关性大的频段，记为紧相关频段；
步骤四，信号融合，融合各敏感频段小波包分解时频图像素矩阵；
步骤五，建立深度残差网络，以融合后的时频图像素矩阵和对应的表面粗糙度值作为样本，划分为训练集和测试集，导入神经网络中进行训练，得到表面粗糙度预测模型。
2.根据权利要求1所述的基于时频图融合-残差网络的加工表面粗糙度预测方法，其特征在于：所述步骤二中对各通道各采样点振动信号与表面粗糙度二维轮廓做互相关分析，得到各通道振动信号各采样点与对应表面粗糙度二维轮廓的互相关系数，分别将各通道所有采样点相关系数相加，保留值大的通道为敏感通道。
根据权利要求1所述的基于时频图融合-残差网络的加工表面粗糙度预测方法，其特征在于：所述步骤三中对保留的敏感通道信号做小波包分解，利用信号重构公式对小波包分解之后最底层节点进行单节点重构，将小波包分解系数还原为不同频段成分的时序信号。对各通道振动信号各频段重构信号与对应的表面粗糙度二维轮廓做互相关分析，得到各通道振动信号各频段重构信号各采样点与对应粗糙度二维轮廓的互相关系数，把各通道振动信号各频段重构信号所有采样点相加，保留值大的频段为敏感频段。
根据权利要求1所述的基于时频图融合-残差网络的加工表面粗糙度预测方法，其特征在于：所述步骤四中信号融合是将振动信号进行小波包分解得到小波包分解时频图，将时频图转化为像素点，根据步骤三中选择的敏感频段，对相同频段敏感通道像素点进行相加实现信号的增强，完成信号融合；
根据权利要求1所述的基于时频图融合-残差网络的加工表面粗糙度预测方法，其特征在于：所述步骤五采用以残差网络为基础，引入扩张卷积增大感受野，可以发现不同频段信息间的关联，提高预测精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374833.3A CN116448047A (zh) | 2023-04-10 | 2023-04-10 | 基于时频图融合-残差网络的加工表面粗糙度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374833.3A CN116448047A (zh) | 2023-04-10 | 2023-04-10 | 基于时频图融合-残差网络的加工表面粗糙度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116448047A true CN116448047A (zh) | 2023-07-18 |
Family
ID=87127058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310374833.3A Pending CN116448047A (zh) | 2023-04-10 | 2023-04-10 | 基于时频图融合-残差网络的加工表面粗糙度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116448047A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117520825A (zh) * | 2024-01-04 | 2024-02-06 | 东北大学 | 基于多尺度特征融合的工业母机加工工件质量预测方法 |
-
2023
- 2023-04-10 CN CN202310374833.3A patent/CN116448047A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117520825A (zh) * | 2024-01-04 | 2024-02-06 | 东北大学 | 基于多尺度特征融合的工业母机加工工件质量预测方法 |
| CN117520825B (zh) * | 2024-01-04 | 2024-05-10 | 东北大学 | 基于多尺度特征融合的工业母机加工工件质量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN112247674B (zh) | 一种刀具磨损预测方法 | |
| CN109507304B (zh) | 一种基于超声探伤的缺陷检测方法 | |
| CN111832432B (zh) | 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 | |
| CN116448047A (zh) | 基于时频图融合-残差网络的加工表面粗糙度预测方法 | |
| CN112528955B (zh) | 一种高频元件加工尺寸的精度预测方法及系统 | |
| CN110096810A (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 | |
| CN113504768B (zh) | 面向装配质量预测的高精密产品数字孪生可计算性方法 | |
| CN113601261B (zh) | 一种面向刀具的在线快速优化模型的监测方法 | |
| CN105512442A (zh) | 基于统计分析的齿轮精度评价方法 | |
| CN115169401A (zh) | 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法 | |
| CN114897028B (zh) | 数控加工表面粗糙度预测方法及装置 | |
| CN107292029A (zh) | 一种基于成形缺陷预测板料成形工艺参数的确定方法 | |
| CN114239810A (zh) | 一种基于改进PCANet模型的铣刀磨损预测方法 | |
| CN112796738A (zh) | 一种阵列声波测井和常规测井结合的地层渗透率计算方法 | |
| CN114991757A (zh) | 一种随钻地层压力测录一体化监测方法及系统 | |
| CN118094170A (zh) | 一种耦合的森林土壤属性制图方法 | |
| Ren et al. | Vibration monitoring with dependencies attention for gear hobbing quality evaluation | |
| CN113465924A (zh) | 一种基于改进bp神经网络的轴承故障诊断方法及系统 | |
| CN111580179B (zh) | 一种有机碳含量确定方法、装置及系统 | |
| CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
| CN114881074B (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 | |
| CN114357851A (zh) | 一种基于dae-rnn的数控铣削表面粗糙度预测方法 | |
| CN114169721A (zh) | 一种基于自适应模糊推理的全流程零件加工质量预测方法 | |
| CN109507291B (zh) | 一种信号预处理方法 |
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 |