典型文献
变工况刀具破损监测的半监督增量学习方法
文献摘要：
针对零件加工过程刀具破损监测存在的破损样本数量极少、样本分布随工况变化的问题,提出一种半监督的增量学习方法.首先,采集部分刀具正常状态的样本,通过自编码器学习正常样本的低维共性特征,并根据样本在特征空间的分布建立刀具破损监测模型,在无破损样本的条件下开始破损监测.在破损监测过程中,采用自编码器的重建误差检测样本分布是否变化,在样本分布变化或模型识别错误时,采用最新获取的样本对模型进行增量训练,使模型保持良好的识别能力.利用发电机转子铣削过程刀片破损数据进行验证,与标准的自编码器方法、一分类支持向量机方法和局部离群因子方法进行对比分析,结果表明,所提方法显著提高了对不同工况获取的样本的识别效果.
文献关键词：
刀具破损监测;增量学习;半监督学习;不平衡数据;工况
中图分类号：
作者姓名：
孙世旭;胡小锋;夏铭远
作者机构：
上海交通大学 机械与动力工程学院,上海 200240;上海航天控制技术研究所,上海 201109
文献出处：
引用格式：
[1]孙世旭;胡小锋;夏铭远-.变工况刀具破损监测的半监督增量学习方法)[J].计算机集成制造系统,2022(09):2805-2814
A类：
刀具破损监测
B类：
变工况,增量学习,零件加工,加工过程,样本数量,极少,样本分布,工况变化,集部,正常状态,自编码器,低维,共性特征,特征空间,监测模型,无破损,监测过程,重建误差,误差检测,检测样本,模型识别,误时,保持良好,识别能力,发电机转子,铣削过程,刀片,一分类支持向量机,支持向量机方法,局部离群因子,因子方法,法显,不同工况,半监督学习,不平衡数据
AB值：
0.349281
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。
