基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
基于传统机器学习的螺旋铣刀具磨损监测方法需要复杂的特征提取和丰富的经验知识,不同磨损阶段具有相同的错误分类代价,针对这些问题,结合电流信号一维性特点,提出基于一维卷积神经网络(1D CNN)和代价敏感学习的螺旋铣刀具磨损监测方法.采集机器人螺旋铣末端执行器主轴、公转轴和进给轴电流作为监测信号,并采用滑动窗口法进行样本划分,在降低网络容量的同时增加样本数量和多样性;在网络损失函数中引入代价矩阵并增加急剧磨损阶段的错误分类代价,使得1D CNN具有代价敏感性;直接将电流时域信号输入1D CNN,网络可以自动提取刀具磨损特征,并将特征提取和不同磨损阶段分类融合在一起.试验结果表明,在机器人螺旋铣系统中,该方法的刀具磨损监测准确率为99.29%,在急剧磨损阶段的查全率为99.60%.
推荐文章
基于长短时记忆卷积神经网络的刀具磨损在线监测模型
刀具磨损监测
长短时记忆神经网络
卷积神经网络
特征提取
基于分形理论和神经网络的刀具磨损监测
刀具磨损
状态监测
分形理论
神经网络
基于细胞神经网络刀具磨损图像处理的研究
细胞神经网络
图像处理
刀具磨损
基于小波神经网络监测刀具状态的研究
神经网络
小波分析
刀具监测
振动信号
AE信号
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于一维卷积神经网络的螺旋铣刀具磨损监测
来源期刊 浙江大学学报(工学版) 学科 工学
关键词 螺旋铣 刀具磨损监测 电流信号 一维卷积神经网络(1DCNN) 代价敏感学习
年,卷(期) 2020,(5) 所属期刊栏目 机械工程
研究方向 页码范围 931-939
页数 9页 分类号 TH17
字数 5855字 语种 中文
DOI 10.3785/j.issn.1008-973X.2020.05.010
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 董辉跃 浙江大学机械工程学院浙江省先进制造技术重点研究实验室 52 1483 21.0 38.0
2 郭英杰 浙江大学机械工程学院浙江省先进制造技术重点研究实验室 4 3 1.0 1.0
3 汪海晋 浙江大学机械工程学院浙江省先进制造技术重点研究实验室 2 0 0.0 0.0
4 尹宗宇 浙江大学机械工程学院浙江省先进制造技术重点研究实验室 1 0 0.0 0.0
5 柯臻铮 浙江大学机械工程学院浙江省先进制造技术重点研究实验室 1 0 0.0 0.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (119)
共引文献  (56)
参考文献  (20)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1981(1)
  • 参考文献(0)
  • 二级参考文献(1)
1983(1)
  • 参考文献(0)
  • 二级参考文献(1)
1986(1)
  • 参考文献(0)
  • 二级参考文献(1)
1989(1)
  • 参考文献(0)
  • 二级参考文献(1)
1992(1)
  • 参考文献(0)
  • 二级参考文献(1)
1993(1)
  • 参考文献(0)
  • 二级参考文献(1)
1995(2)
  • 参考文献(0)
  • 二级参考文献(2)
1997(1)
  • 参考文献(0)
  • 二级参考文献(1)
1998(1)
  • 参考文献(0)
  • 二级参考文献(1)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2000(3)
  • 参考文献(0)
  • 二级参考文献(3)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(6)
  • 参考文献(0)
  • 二级参考文献(6)
2003(2)
  • 参考文献(0)
  • 二级参考文献(2)
2004(2)
  • 参考文献(0)
  • 二级参考文献(2)
2006(3)
  • 参考文献(0)
  • 二级参考文献(3)
2007(2)
  • 参考文献(0)
  • 二级参考文献(2)
2008(6)
  • 参考文献(0)
  • 二级参考文献(6)
2009(8)
  • 参考文献(0)
  • 二级参考文献(8)
2010(13)
  • 参考文献(1)
  • 二级参考文献(12)
2011(6)
  • 参考文献(1)
  • 二级参考文献(5)
2012(18)
  • 参考文献(0)
  • 二级参考文献(18)
2013(17)
  • 参考文献(0)
  • 二级参考文献(17)
2014(15)
  • 参考文献(0)
  • 二级参考文献(15)
2015(5)
  • 参考文献(4)
  • 二级参考文献(1)
2016(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(8)
  • 参考文献(4)
  • 二级参考文献(4)
2018(7)
  • 参考文献(4)
  • 二级参考文献(3)
2019(5)
  • 参考文献(5)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
螺旋铣
刀具磨损监测
电流信号
一维卷积神经网络(1DCNN)
代价敏感学习
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
浙江大学学报(工学版)
月刊
1008-973X
33-1245/T
大16开
杭州市浙大路38号
32-40
1956
chi
出版文献量(篇)
6865
总下载数(次)
6
总被引数(次)
81907
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导