典型文献
采用改进CNN-BiLSTM模型的刀具磨损状态监测
文献摘要：
自动化切削加工过程中,准确可靠地监测刀具磨损状态是保证加工质量和加工效率的关键.针对刀具磨损状态相关特征提取繁琐、准确率低及传统的深度学习网络不能全面提取数据隐含信息等问题,提出了一种以卷积神经网络(CNN)和双向长短时记忆(BiLSTM)网络集成模型为基础并通过在卷积神经网络中添加批量标准化层和采用两个双向长短时记忆网络层的改进模型,该模型通过自动提取小波阈值降噪等预处理和降采样后的切削力、振动和声音信号的空间和时序特征来实现刀具磨损状态监测.将改进模型与CNN-BiLSTM模型及传统的深度学习模型进行对比,发现改进模型在精度和稳定性方面有较大提升.所提方法为准确监测自动化加工过程中刀具磨损状态、提高生产效率和加工质量提供了技术支持.
文献关键词：
小波阈值降噪;卷积神经网络;双向长短时记忆网络;刀具磨损状态监测
中图分类号：
作者姓名：
刘会永;张松;李剑峰;栾晓娜
作者机构：
山东大学机械工程学院高效洁净机械制造教育部重点实验室,济南,250061;山东大学机械工程国家级实验教学示范中心,济南,250061
文献出处：
引用格式：
[1]刘会永;张松;李剑峰;栾晓娜-.采用改进CNN-BiLSTM模型的刀具磨损状态监测)[J].中国机械工程,2022(16):1940-1947,1956
A类：
B类：
BiLSTM,刀具磨损状态监测,切削加工,加工过程,加工质量,加工效率,对刀,深度学习网络,提取数据,隐含信息,网络集成,集成模型,批量标准化,双向长短时记忆网络,网络层,改进模型,自动提取,小波阈值降噪,降采样,切削力,和声,声音信号,空间和时,时序特征,深度学习模型,自动化加工
AB值：
0.223923
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。
