-
公开(公告)号：CN115971970B
公开(公告)日：2024-03-26
申请号：CN202211534665.1
申请日：2022-12-02
申请人： 西南交通大学
IPC分类号： B23Q17/09
摘要： 本发明提供了一种基于多参数引导空间注意力机制的铣刀磨损监测方法，将铣刀结构参数、工艺参数、监测信号采样频率等多参数引入深度学习模型的结构及参数设计过程的方法，建立了多参数与深度学习模型之间的联系；所提出的空间注意力模块可实现对监测信号中分切削/非切削部分信号段的辨识，并分别进行自适应的增强或抑制，屏蔽信号中与刀具状态无关的信号段，可准确对刀具磨损状态进行监测。为基于深度学习的刀具磨损监测方法提供了一种新思路，增强模型与刀具、工艺等对象之间的关联性，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。
-
公开(公告)号：CN116502085A
公开(公告)日：2023-07-28
申请号：CN202310450243.4
申请日：2023-04-24
申请人： 西南交通大学
IPC分类号： G06F18/214 , G06F18/2415 , G06F18/213 , G06N3/0464 , G06N3/08
摘要： 本发明提供了一种基于自适应对称损失的旋转机械噪声标签故障诊断方法，解决噪声标签下基于深度学习的旋转机械故障诊断模型易受错误标记样本损害模型训练，进而导致诊断精度降低的问题。本发明使用宽的卷积核进行分支卷积，在保留网络深度的同时加强网络对于振动信号特征的提取。然后动态加权结合不同尺度的特征信息，充分准确地提取旋转机械的故障特征。最后，对网络输出特征进行方差评价，作为自适应对称交叉熵损失函数的权重参数，并以此进行反向传播更新网络参数。
-
公开(公告)号：CN115771061A
公开(公告)日：2023-03-10
申请号：CN202211534664.7
申请日：2022-12-02
申请人： 西南交通大学
IPC分类号： B23Q17/09
摘要： 本发明提供了一种基于频率注意力机制的铣刀磨损监测方法，解决现有基于深度学习的刀具磨损监测方法在信号去噪机理不明、去噪结果难评价、监测结果不可靠导致难以在实际加工中应用的问题。本发明从频域出发，结合机床固有频率以及由工艺参数确定的主轴转速频率、刀具齿通频率对信号有效频率范围进行确定，采用可调Q因子小波变换对信号进行不同中心频率的分解与重构，随后基于注意力机制实现对具备不同频率中心的信号在不同磨损阶段下的自适应加权，最后利用深度学习强大的特征提取能力可准确地监测铣刀磨损状态。
-
公开(公告)号：CN115771061B
公开(公告)日：2024-03-26
申请号：CN202211534664.7
申请日：2022-12-02
申请人： 西南交通大学
IPC分类号： B23Q17/09
摘要： 本发明提供了一种基于频率注意力机制的铣刀磨损监测方法，解决现有基于深度学习的刀具磨损监测方法在信号去噪机理不明、去噪结果难评价、监测结果不可靠导致难以在实际加工中应用的问题。本发明从频域出发，结合机床固有频率以及由工艺参数确定的主轴转速频率、刀具齿通频率对信号有效频率范围进行确定，采用可调Q因子小波变换对信号进行不同中心频率的分解与重构，随后基于注意力机制实现对具备不同频率中心的信号在不同磨损阶段下的自适应加权，最后利用深度学习强大的特征提取能力可准确地监测铣刀磨损状态。
-
公开(公告)号：CN117620774A
公开(公告)日：2024-03-01
申请号：CN202311695581.0
申请日：2023-12-08
申请人： 西南交通大学
IPC分类号： B23Q17/09
摘要： 本发明提供了一种非连续特性约束的铣刀磨损监测单源域泛化方法，利用工艺参数、刀具结构参数和信号采样率，对铣刀加工过程中的非连续特性进行了量化，并以此为基础构建了注意力模块，实现对非连续特性的自适应提取，抑制与刀具磨损不相关的信号段；此外基于非连续特性构建了生成模块，用于增强源域信号特征的多样性；同时对一种满足非连续特性的标准趋势样本进行了构建，用于约束生成特征与真实信号之间的一致性。本发明所提出的方法可在源域特征、生成特征以及目标域特征建立一致性约束，使得模型在不同工况下能够准确定位关键信号段，提高模型泛化性及可解释性，对推动深度学习方法在未知工况下的刀具磨损状态辨识领域的应用具有重要意义。
-
公开(公告)号：CN117150304A
公开(公告)日：2023-12-01
申请号：CN202311201068.1
申请日：2023-09-18
申请人： 西南交通大学
IPC分类号： G06F18/214 , G06F18/213 , G06F18/24 , G06N3/0455 , G06N3/0464 , G06N3/084 , G01M13/04 , G06F123/02
摘要： 本发明提供了一种轨道列车转向架滚动轴承故障诊断方法，利用交互式生成学习策略训练自编码器，使模型充分学习转向架轴承故障样本间的类内共同特征；同时在自编码器生成阶段，将合成少数类过采样技术引入欧几里得距离较大的隐藏层空间，提升自编码器生成样本的多样性，为故障诊断模型带来丰富的增量信息，提高深度学习故障诊断模型在样本不均衡场景中的诊断准确率。为样本不均衡下基于深度学习的轨道列车转向架滚动轴承故障诊断提供一种新思路，对深度学习模型在滚动轴承故障诊断领域的应用具有重要意义。
-
公开(公告)号：CN115971970A
公开(公告)日：2023-04-18
申请号：CN202211534665.1
申请日：2022-12-02
申请人： 西南交通大学
IPC分类号： B23Q17/09
摘要： 本发明提供了一种基于多参数引导空间注意力机制的铣刀磨损监测方法，将铣刀结构参数、工艺参数、监测信号采样频率等多参数引入深度学习模型的结构及参数设计过程的方法，建立了多参数与深度学习模型之间的联系；所提出的空间注意力模块可实现对监测信号中分切削/非切削部分信号段的辨识，并分别进行自适应的增强或抑制，屏蔽信号中与刀具状态无关的信号段，可准确对刀具磨损状态进行监测。为基于深度学习的刀具磨损监测方法提供了一种新思路，增强模型与刀具、工艺等对象之间的关联性，对提高模型的可解释性及可靠性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.023 秒)
