10.3969/j.issn.1001-3881.2020.09.014
基于深度学习和多传感器的数控机床铣刀磨损状态信号监测方法研究
由于单一传感器存在获取信息量有限、抗干扰能力较弱等问题及传统网络模型诊断时间长、诊断率低等现象,采用振动、噪声等多个传感器监测铣刀的磨损状态.提出将深度学习和多传感器相结合的铣刀磨损状态信号监测方法;将经核主元筛选和未筛选的数据分别输入到BP神经网络、RBF神经网络和深度卷积神经网络中进行模式识别,并对识别结果进行对比和分析.结果表明:深度学习和多传感器相结合的铣刀磨损状态监测方法在特征量比较大、数据量比较多的情况下诊断速度、准确率均比较高,在铣刀磨损状态监测中具有明显的优势.
深度学习、卷积神经网络(CNN)、多传感器、数控机床、铣刀磨损
48
TH133.3
国家自然科学基金资助项目 ;山东省重点研发计划项目 ;山东省高等学校科技计划项目
2020-06-16(万方平台首次上网日期,不代表论文的发表时间)
共4页
66-69