典型文献
一维残差卷积神经网络的刀具磨损识别方法研究
文献摘要：
传统的机器学习方法对于刀具磨损进行监测时需要人为提取特征,并且在刀具磨损监测过程出现所需时间较长、精度低等问题.本文提出基于一维残差卷积神经网络的刀具磨损状态识别方法.对原始振动信号进行小波包阈值降噪、快速傅里叶变换处理后,将生成的频谱数据作为残差卷积神经网络模型的输入,通过卷积连接、残差连接和融合等操作自动进行特征提取,最后与刀具磨损状态进行匹配.结果表明:与目前常用的其它神经网络相比较,本文所提出的方法在多次测试中后平均准确率提高了0.6％,训练耗时对于频谱图输入降低30％,具有流程简单、准确率更高的特点,相比于其他方法更有优势.
文献关键词：
振动信号;残差连接;刀具磨损;卷积神经网络
中图分类号：
作者姓名：
杨斌;樊志刚;王建国;王民;李志星
作者机构：
内蒙古科技大学机械工程学院,内蒙古包头 014010;内蒙古自治区机电系统智能诊断与控制重点实验室,内蒙古包头 014010;北京工业大学机械工程与应用电子技术学院先进制造技术北京重点实验室,北京 100124
文献出处：
引用格式：
[1]杨斌;樊志刚;王建国;王民;李志星-.一维残差卷积神经网络的刀具磨损识别方法研究)[J].机械科学与技术,2022(11):1746-1752
A类：
B类：
一维残差卷积,残差卷积神经网络,机器学习方法,提取特征,刀具磨损监测,监测过程,刀具磨损状态,状态识别,振动信号,小波包,阈值降噪,快速傅里叶变换,变换处理,频谱数据,卷积神经网络模型,残差连接,次测试,平均准确率,频谱图,其他方法
AB值：
0.257443
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。
