典型文献
基于深度学习的刀具磨损监测研究现状
文献摘要：
基于传统机器学习的刀具磨损监测模型监测精度低且计算复杂度高,难以满足智能制造的发展需求.而基于深度学习的刀具磨损监测模型数据处理和特征提取能力较强,可明显提高监测精度,使加工过程更智能化,因此广泛应用于刀具磨损监测.根据采用的模型,将基于深度学习的刀具磨损监测分为基于卷积神经网络的刀具磨损监测、基于稀疏自编码网络的刀具磨损监测、基于深度置信网络的刀具磨损监测、基于长短时记忆网络的刀具磨损监测和基于混合模型的刀具磨损监测,介绍了各种深度学习模型的基础理论及基本结构,总结了国内外基于深度学习模型的刀具磨损监测方法,分析了存在的问题,并指出了未来的发展方向.
文献关键词：
刀具磨损监测;卷积神经网络;自编码神经网络;深度置信网络;长短时记忆神经网络;混合模型
中图分类号：
作者姓名：
王大春;李国和;王丰;闫冬;范建勋
作者机构：
天津职业技术师范大学机械工程学院
文献出处：
引用格式：
[1]王大春;李国和;王丰;闫冬;范建勋-.基于深度学习的刀具磨损监测研究现状)[J].工具技术,2022(06):3-13
A类：
B类：
刀具磨损监测,监测模型,监测精度,计算复杂度,模型数据,特征提取能力,加工过程,稀疏自编码,自编码网络,深度置信网络,长短时记忆网络,混合模型,深度学习模型,基本结构,监测方法,自编码神经网络,长短时记忆神经网络
AB值：
0.139619
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。
