典型文献
基于图像编码技术和卷积神经网络的刀具磨损值在线监测方法
文献摘要：
为提高刀具磨损在线监测的精度及泛化性能,提出一种基于格拉姆角场(GAF)编码技术和卷积神经网络(CNN)的刀具磨损值在线监测方法,利用GAF图像编码技术将铣削加工过程中采集的时间序列信号数据图像化,既保留了信号的原始特征信息,又增强了时间序列特征信息.采用深度CNN自适应的提取图像特征,避免人工特征提取带来的复杂性和局限性.使用同类研究所用的数据集进行实验,验证了该方法在刀具磨损在线监测中的有效性和可行性,在多项评价标准下其精度较其他几种方法有了较大提高.
文献关键词：
刀具磨损;在线监测;格拉姆角场;图像编码;深度卷积神经网络;特征提取
中图分类号：
作者姓名：
滕瑞;黄海松;杨凯;陈启鹏;熊巧巧;谢庆生
作者机构：
贵州大学现代制造技术教育部重点实验室,贵州 贵阳 550025;马来西亚博特拉大学工程学院,马来西亚 沙登 43400;贵州交通职业技术学院机电工程系,贵州 贵阳 551400
文献出处：
引用格式：
[1]滕瑞;黄海松;杨凯;陈启鹏;熊巧巧;谢庆生-.基于图像编码技术和卷积神经网络的刀具磨损值在线监测方法)[J].计算机集成制造系统,2022(04):1042-1051
A类：
B类：
图像编码,编码技术,刀具磨损,在线监测,监测方法,泛化性能,格拉姆角场,GAF,铣削加工过程,号数,图像化,特征信息,时间序列特征,图像特征,几种方法,深度卷积神经网络
AB值：
0.212783
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
