排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
基于传统机器学习的刀具磨损监测模型监测精度低且计算复杂度高,难以满足智能制造的发展需求。而基于深度学习的刀具磨损监测模型数据处理和特征提取能力较强,可明显提高监测精度,使加工过程更智能化,因此广泛应用于刀具磨损监测。根据采用的模型,将基于深度学习的刀具磨损监测分为基于卷积神经网络的刀具磨损监测、基于稀疏自编码网络的刀具磨损监测、基于深度置信网络的刀具磨损监测、基于长短时记忆网络的刀具磨损监测和基于混合模型的刀具磨损监测,介绍了各种深度学习模型的基础理论及基本结构,总结了国内外基于深度学习模型的刀具磨损监测方法,分析了存在的问题,并指出了未来的发展方向。 相似文献
2.
总结了金属增材制造材料本构模型的获取方法,从准静态试验、热压缩试验、动态试验、硬度等效及微观组织模拟5个方面归纳了金属增材制造材料本构模型获取的研究成果。在此基础上,分析了目前存在的问题,并对未来的发展方向进行了展望。结果表明,通过准静态力学试验、热压缩试验及动态力学试验获取的本构模型可以反映材料宏观的力学性能,但无法反映材料的非均质特性;硬度等效本构模型可以体现一定的非均质性,但准确性无法得到保证;基于微观组织的本构模型对材料的性能表征较为全面,但目前仍处在探索阶段。随着计算机技术和增减材复合制造技术的发展,开发具有一定物理意义、考虑增材成形材料微观组织分布的本构模型获取方法将是未来主要的发展方向。 相似文献
3.
1