《基于深度学习和多传感器的数控机床铣刀磨损状态信号监测方法研究》PDF+DOC
作者:徐卫晓,谭继文,井陆阳,唐旭
单位:中国机械工程学会;广州机械科学研究院
出版:《机床与液压》2020年第09期
页数:4页 (PDF与DOC格式可能不同)
PDF编号:PDFJCYY2020090140
DOC编号:DOCJCYY2020090149
下载格式:PDF + Word/doc 文字可复制、可编辑
《基于PSO-RBF的神经网络在猪舍多传感器数据融合技术中的应用》PDF+DOC2016年第15期 夏翔,徐凯宏
《基于深度卷积和门控循环神经网络的传感器运动识别》PDF+DOC2020年第01期 王震宇,张雷
《基于深度学习的传感器优化布置方法》PDF+DOC2020年第04期 周硕,余龙,吴子燕,杨海峰
《基于深度学习的自动驾驶技术综述》PDF+DOC2018年第04期 张新钰,高洪波,赵建辉,周沫
《混沌神经网络多传感器信息融合系统设计》PDF+DOC2005年第09期 高美静,王魁荣,谈爱玲
《多传感器技术在污水分析中的应用研究》PDF+DOC2004年第11期 姚明林,常宇健
《精密数控机床铣刀故障监测方法的研究》PDF+DOC2011年第10期 周峰,黄民
《基于神经网络的传感器零点飘移补偿方法》PDF+DOC2008年第06期 吴广顺,凌雷,张立鹏
《基于信息融合技术的球磨机三因素负荷检测研究》PDF+DOC2008年第01期 孙景敏,李世厚
《差压传感器非线性特性研究》PDF+DOC2007年第10期 王菖,付敬奇,陈关君
由于单一传感器存在获取信息量有限、抗干扰能力较弱等问题及传统网络模型诊断时间长、诊断率低等现象,采用振动、噪声等多个传感器监测铣刀的磨损状态。提出将深度学习和多传感器相结合的铣刀磨损状态信号监测方法;将经核主元筛选和未筛选的数据分别输入到BP神经网络、RBF神经网络和深度卷积神经网络中进行模式识别,并对识别结果进行对比和分析。结果表明:深度学习和多传感器相结合的铣刀磨损状态监测方法在特征量比较大、数据量比较多的情况下诊断速度、准确率均比较高,在铣刀磨损状态监测中具有明显的优势。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。