期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度SSDAE网络的刀具磨损状态识别
被引量：
5
1
作者
郭润兰
尉卫卫
+1 位作者
王广书
黄华
《振动．测试与诊断》
EI
CSCD
北大核心
2024年第2期305-312,410,411,共10页
针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码(stacking sparse denoising auto-encoder,简称SSDAE)网...
针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码(stacking sparse denoising auto-encoder,简称SSDAE)网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量(intrinsic mode function,简称IMF),并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。
展开更多
关键词
深度
堆叠稀疏自编码网络
变分模态分解
K-最近邻分类器
自适应特征提取
状态识别
在线阅读
下载PDF
职称材料
深度学习与多信号融合在铣刀磨损状态识别中的研究
被引量：
5
2
作者
穆殿方
刘献礼
+4 位作者
岳彩旭
Steven Y.LIANG
陈志涛
李恒帅
徐梦迪
《机械科学与技术》
CSCD
北大核心
2021年第10期1581-1589,共9页
为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法。以自编码网络为基础,构建了堆叠稀疏自编码网络。采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣...
为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法。以自编码网络为基础,构建了堆叠稀疏自编码网络。采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征。利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型。研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44%。
展开更多
关键词
刀具磨损
状态识别
深度学习
多信号融合
堆叠稀疏自编码网络
在线阅读
下载PDF
职称材料
题名
基于深度SSDAE网络的刀具磨损状态识别
被引量：
5
1
作者
郭润兰
尉卫卫
王广书
黄华
机构
兰州理工大学机电工程学院
出处
《振动．测试与诊断》
EI
CSCD
北大核心
2024年第2期305-312,410,411,共10页
基金
国家自然科学基金资助项目(52365057,51965037)。
文摘
针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码(stacking sparse denoising auto-encoder,简称SSDAE)网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量(intrinsic mode function,简称IMF),并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。
关键词
深度
堆叠稀疏自编码网络
变分模态分解
K-最近邻分类器
自适应特征提取
状态识别
Keywords
deep stacking sparse denoising auto-encoder network
variational modal decomposition
KNN clas-sifier
adaptive feature extraction
state identification
分类号
TH164 [机械工程—机械制造及自动化]
V262.33 [航空宇航科学与技术—航空宇航制造工程]
在线阅读
下载PDF
职称材料
题名
深度学习与多信号融合在铣刀磨损状态识别中的研究
被引量：
5
2
作者
穆殿方
刘献礼
岳彩旭
Steven Y.LIANG
陈志涛
李恒帅
徐梦迪
机构
哈尔滨理工大学机械动力工程学院
佐治亚理工学院乔治·W·伍德拉夫机械工程学院
出处
《机械科学与技术》
CSCD
北大核心
2021年第10期1581-1589,共9页
基金
国家自然科学基金国际(地区)合作与交流重点项目(51720105009)
黑龙江省自然科学基金优秀青年项目(YQ2019E029)。
文摘
为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法。以自编码网络为基础,构建了堆叠稀疏自编码网络。采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征。利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型。研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44%。
关键词
刀具磨损
状态识别
深度学习
多信号融合
堆叠稀疏自编码网络
Keywords
tool wear
state recognition
deep learning
multi-signal fusion
stacked sparse autoencoder network
分类号
TG502 [金属学及工艺—金属切削加工及机床]
TP306.2 [自动化与计算机技术—计算机系统结构]
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
基于深度SSDAE网络的刀具磨损状态识别
郭润兰
尉卫卫
王广书
黄华
《振动．测试与诊断》
EI
CSCD
北大核心
2024
5
在线阅读
下载PDF
职称材料
2
深度学习与多信号融合在铣刀磨损状态识别中的研究
穆殿方
刘献礼
岳彩旭
Steven Y.LIANG
陈志涛
李恒帅
徐梦迪
《机械科学与技术》
CSCD
北大核心
2021
5
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
