检索结果-维普期刊中文期刊服务平台

基于VMDFK和图像编码技术CNN网络刀具磨损状态识别被引量：5: 1; 作者刘红军胡轶玮韩文杰《中国工程机械学报》北大核心 2024年第1期94-100,共7页; 针对采集刀具加工数据过程中有冗余信息和干扰信号,导致刀具磨损状态特征识别困难、识别精度不高等问题,提出一种基于快速谱峭度图的变分模态分解模态分量选取(VMDFK)与格拉姆角场(GAF)图像编码技术相结合的卷积神经网络(CNN)刀具磨损... 展开更多; 关键词刀具磨损状态识别变分模态分解快速谱峭度形态滤波格拉姆角场深度学习; 在线阅读下载PDF 职称材料

基于DCVAE-ELM的立铣刀磨损状态识别方法: 2; 作者杨超李宏坤 +2 位作者彭德锋欧佳玉王朝东《振动.测试与诊断》北大核心 2025年第4期831-837,852,共8页; 在立铣刀铣削过程中,由于工件较硬、切削深度较大、采用摆线铣加工方式使刀具磨损较快、空刀段较多,无法准确识别刀具磨损状态。针对这种情况,提出了一种利用深度约束变分自编码器(deep-constrained variational auto-encoder,简称DCVAE... 展开更多; 关键词立铣刀磨损多信息融合极限学习机刀具磨损状态识别深度约束变分自编码器; 在线阅读下载PDF 职称材料

基于流形学习与隐马尔可夫模型的刀具磨损状况识别被引量：9: 3; 作者张栋梁莫蓉 +1 位作者孙惠斌李春磊《西北工业大学学报》 EI CAS CSCD 北大核心 2015年第4期651-657,共7页; 为了提高金属铣削过程中的刀具磨损状态识别的自动化程度与精度,提出了基于局部切空间排列(LTSA)方法与隐Markov模型(HMM)来识别刀具的不同磨损状态的方法。该方法首先利用小波分析技术对铣削过程中的切削进给方向力信号进行处理,构造... 展开更多; 关键词维数约简刀具磨损状态识别流形学习隐马尔可夫模型(HMM); 在线阅读下载PDF 职称材料

基于EMD与LS-SVM的刀具磨损识别方法被引量：15: 4; 作者关山王龙山聂鹏《北京航空航天大学学报》 EI CAS CSCD 北大核心 2011年第2期144-148,共5页; 针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之... 展开更多; 关键词刀具磨损状态识别最小二乘支持向量机经验模态分解自回归模型; 在线阅读下载PDF 职称材料

基于EEMD-SVM的刀具磨损状态研究被引量：7: 5; 作者江雁傅攀李晓晖《中国测试》 CAS 北大核心 2016年第1期87-91,共5页; 针对刀具磨损监测中信号的非平稳特性和小样本建模中神经网络容易陷入局部值的问题,提出基于多传感器信号,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)相结合的算法,... 展开更多; 关键词刀具磨损状态识别集合经验模态分解支持向量机多传感器; 在线阅读下载PDF 职称材料

题名基于VMDFK和图像编码技术CNN网络刀具磨损状态识别被引量：5: 1; 作者刘红军胡轶玮韩文杰; 机构沈阳航空航天大学机电工程学院沈阳飞机工业(集团)有限公司工程技术中心工装设计所; 出处《中国工程机械学报》北大核心 2024年第1期94-100,共7页; 基金国家自然科学基金资助项目(51875367)。; 文摘针对采集刀具加工数据过程中有冗余信息和干扰信号,导致刀具磨损状态特征识别困难、识别精度不高等问题,提出一种基于快速谱峭度图的变分模态分解模态分量选取(VMDFK)与格拉姆角场(GAF)图像编码技术相结合的卷积神经网络(CNN)刀具磨损状态识别方法。首先通过变分模态分解和快速谱峭度图,筛选符合要求的模态分量并重构;再采用形态滤波对重构信号去噪和增强;最后通过格拉姆角场图像编码技术,将经去噪增强后的信号转换为格拉姆角场图,并将其输入卷积神经网络中提取特征,较好地解决了信号中的干扰和图像识别中图像特征不明显问题。实验结果表明:该方法可准确清晰地展现刀具磨损状态的特征,在即时性、准确度等方面有较大提高,实现对刀具不同磨损状态的实时智能识别,具有较好的效果。; 关键词刀具磨损状态识别变分模态分解快速谱峭度形态滤波格拉姆角场深度学习; Keywords tool wear recognition variational modal decomposition fast kurtogram morphological filtering gram angularfield deep learning; 分类号 TG713 [金属学及工艺—刀具与模具] TG529 [金属学及工艺—金属切削加工及机床]; 在线阅读下载PDF 职称材料

题名基于DCVAE-ELM的立铣刀磨损状态识别方法: 2; 作者杨超李宏坤彭德锋欧佳玉王朝东; 机构大连理工大学机械工程学院; 出处《振动.测试与诊断》北大核心 2025年第4期831-837,852,共8页; 基金国家自然科学基金资助项目(U1808214) 大连市科技创新基金资助项目(2021JJ12GX011)。; 文摘在立铣刀铣削过程中,由于工件较硬、切削深度较大、采用摆线铣加工方式使刀具磨损较快、空刀段较多,无法准确识别刀具磨损状态。针对这种情况,提出了一种利用深度约束变分自编码器(deep-constrained variational auto-encoder,简称DCVAE)和极限学习机(extreme learning machine,简称ELM)的刀具磨损状态识别方法。首先,将电流有效值信号、加速度信号和声压信号进行融合,将其转化为三维彩色图像;其次,采用DCVAE模型对彩色图像中包含的数据进行降维处理,提取其中的隐藏特征信息,增加编码器以增强提取数据特征的能力,利用约束条件使特征分布进一步集中;然后,使用特征可视化技术直观表现刀具不同磨损状态的特征类聚;最后,采用极限学习机对特征进行分类识别,得到刀具磨损状态的识别准确率为95.07%。通过实验分析及模型对比表明,本研究方法抗干扰能力强、稳定性好,能够准确识别刀具磨损状态。; 关键词立铣刀磨损多信息融合极限学习机刀具磨损状态识别深度约束变分自编码器; Keywords end-milling tool wear multi-information fusion extreme learning machine tool wear state recognition deep-constrained variational auto-encoder; 分类号 TH165.3 [机械工程—机械制造及自动化] TP206 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名基于流形学习与隐马尔可夫模型的刀具磨损状况识别被引量：9: 3; 作者张栋梁莫蓉孙惠斌李春磊; 机构西北工业大学现代设计与集成制造技术教育部重点实验室; 出处《西北工业大学学报》 EI CAS CSCD 北大核心 2015年第4期651-657,共7页; 基金陕西省自然科学基金(2013JM7001) 西北工业大学基础研究基金(JC20110215) 西北工业大学2012校级"新人新方向"基金(12GH14617)资助; 文摘为了提高金属铣削过程中的刀具磨损状态识别的自动化程度与精度,提出了基于局部切空间排列(LTSA)方法与隐Markov模型(HMM)来识别刀具的不同磨损状态的方法。该方法首先利用小波分析技术对铣削过程中的切削进给方向力信号进行处理,构造了高维特征空间。然后使用基于流形学习方法实现了高维特征空间的维数约简。最终利用约简后的低维特征向量训练HMM,从而实现刀具磨损状态的识别。实验结果说明该方法能够有效地识别铣削过程的刀具磨损状态。与未经特征维数约简的识别方法相比,新方法能够提高刀具磨损状态的识别效率与准确率。; 关键词维数约简刀具磨损状态识别流形学习隐马尔可夫模型(HMM); Keywords condition monitoring, conformal mapping, design of experiments, efficiency, eigenvalues and eigenfunctions, errors, experiments, feature extraction, flowcharting, hidden Markov models, matrix algebra, milling （machining）, monitoring, probability, signal processing, time domain analysis, wavelet analysis, wear of materials dimension reduction, local tangent space alignment （LTSA）, the manifold learning, tool wear conditions recognition; 分类号 TG71 [金属学及工艺—刀具与模具] TH117 [机械工程—机械设计及理论]; 在线阅读下载PDF 职称材料

题名基于EMD与LS-SVM的刀具磨损识别方法被引量：15: 4; 作者关山王龙山聂鹏; 机构吉林大学机械科学与工程学院沈阳航空航天大学机电工程学院; 出处《北京航空航天大学学报》 EI CAS CSCD 北大核心 2011年第2期144-148,共5页; 基金辽宁省教育厅重点实验室资助项目(LS2010117); 文摘针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.; 关键词刀具磨损状态识别最小二乘支持向量机经验模态分解自回归模型; Keywords tool wear condition monitoring least squares support vector machine empirical mode decomposition auto regressive model; 分类号 TH165.3 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于EEMD-SVM的刀具磨损状态研究被引量：7: 5; 作者江雁傅攀李晓晖; 机构西南交通大学机械工程学院; 出处《中国测试》 CAS 北大核心 2016年第1期87-91,共5页; 文摘针对刀具磨损监测中信号的非平稳特性和小样本建模中神经网络容易陷入局部值的问题,提出基于多传感器信号,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)相结合的算法,实现对刀具磨损多状态的识别。首先对振动信号进行集合经验模态分解,将其分解为若干个本征模态函数(intrinsic mode function,IMF)之和,然后计算得到三向切削力信号的均值和各本征模态函数分量的能量百分比值作为磨损状态分类特征,最后运用支持向量机和Elman神经网络对刀具在不同磨损状态下的特征数据样本进行训练和识别。实验结果证明该方法能很好地实现对刀具磨损状态的识别,与Elman神经网络相比,支持向量机具有更高的识别率,更适合小样本情况下刀具磨损状态的分类识别。; 关键词刀具磨损状态识别集合经验模态分解支持向量机多传感器; Keywords tool wear condition identification ensemble empirical mode decomposition support vector machine muhi-sensor; 分类号 TP206 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于VMDFK和图像编码技术CNN网络刀具磨损状态识别	刘红军胡轶玮韩文杰	《中国工程机械学报》北大核心	2024	5	在线阅读下载PDF 职称材料
2	基于DCVAE-ELM的立铣刀磨损状态识别方法	杨超李宏坤彭德锋欧佳玉王朝东	《振动.测试与诊断》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于流形学习与隐马尔可夫模型的刀具磨损状况识别	张栋梁莫蓉孙惠斌李春磊	《西北工业大学学报》 EI CAS CSCD 北大核心	2015	9	在线阅读下载PDF 职称材料
4	基于EMD与LS-SVM的刀具磨损识别方法	关山王龙山聂鹏	《北京航空航天大学学报》 EI CAS CSCD 北大核心	2011	15	在线阅读下载PDF 职称材料
5	基于EEMD-SVM的刀具磨损状态研究	江雁傅攀李晓晖	《中国测试》 CAS 北大核心	2016	7	在线阅读下载PDF 职称材料