刀具磨损的切削力监测

本文用动态分析的方法，对切削力与刀具磨损的内在联系进行了一些理论探索和实验考查，提出了切削力监测刀具磨损的新方法：频段均方值法．经实验、离线分析，该方法可以准确、及时、可靠地监测刀具磨损状态．     

基于电流信号的刀具磨损状态监测方法研究

为了降低因刀具失效而出现的工件报废和设备损坏的概率,进一步提高数控机床无故障运行效率,使用电流传感器采集变频器输入侧的电流,并利用三相畸变线电流计算其平均有效电流值。将平均有效电流值信号和传统RMS有效电流值信号分别进行时域、频域和时频域的分析,通过对比,验证本文所提出方法可以很好地对刀具磨损状态进行区分,证明其适用性。采用工控机主板、数据采集卡以及霍尔电流传感器等搭建硬件平台,以Qt作为软件开发框架,设计制作一套刀具磨损状态监测系统,并在数控加工中心进行试验验证。结果表明,所设计的监测系统能够在一定程度上反映刀具磨损状态并进行预警,该监测方法有效。     

基于复合编码特征LSTM的基因甲基化位点预测方法

DNA-N6甲基腺嘌呤(6-m A)甲基化修饰是重要的表观遗传修饰标记之一。异常的6-m A位点会影响基因表达,进而引发多种重大疾病,因此预测6-m A位点对理解治病机理和治疗疾病具有重要意义。提出一种基于K-mer方法和One-hot方法复合特征编码的长短期记忆(Long Short-Term Memory,LSTM)神经网络用于基因甲基化位点预测,通过K-mer编码方法增加基因序列字符信息量,再使用One-hot编码方法对编码后的字符序列进行扩展,形成复合编码矩阵。改进后的序列编码矩阵可增加LSTM模型从基因序列数据中可提取的特征维度和种类,以提高LSTM模型对基因序列的处理性能。通过交叉验证实验表明本方法在公共数据集上的准确率可达93.7%,敏感度、特异性和马氏相关系数分别为93.0%、94.5%、0.875,均优于现有方法。进一步,在其他6个不同物种的基因数据集上,受试者工作特征曲线线下面积(Area Under the Curve,AUC)值介于0.905 5～0.926 2,表明本方法可适用于动物、植物和微生物的甲基化位点预测。本方法对水稻NC＿029258.1基因序列进行...     

基于深度学习的LSTM光伏预测

随着对能源利用效率要求的提高及日益激增的光伏数据,传统的光伏预测方法已逐渐丧失优势。为了更加准确地进行光伏预测,采用深度学习的框架,并利用循环神经网络(RNN)中最重要的一个结构——长短时记忆网络(LSTM)对时间序列的强大处理能力进行了智能算法建模。由于LSTM具有"遗忘"与"更新"功能,很好地解决了长序依赖问题,从而使光伏预测在精度上有了质的变化,预测速度也得到显著提升。     

基于RF-LSTM组合模型的股票价格预测

股票数据具有非线性和复杂性等特点,单一模型预测效果不佳,针对此问题,提出一种RF-LSTM组合模型,用于预测股票的收盘价。首先,利用Tushare财经数据包获取股票数据,构建特征集,并对数据进行归一化处理;其次,考虑到多特征之间存在高度的非线性和信息冗余问题,利用随机森林(RF)选择最优特征集,降低数据维度和训练复杂度;最后,利用深度学习中适合处理时间序列的长短期记忆网络(LSTM)对股票价格进行预测,并对预测模型进行参数调优。结果表明,与单一结构的LSTM神经网络模型预测相比,本文提出的RF-LSTM组合模型预测的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别减小了13.11%,6.70%和12.54%。该组合模型可提高股票价格预测的准确性。     

基于改进EMD和LS-SVM的刀具磨损状态识别

针对经验模态分解(empirical mode decomposition, EMD)的端点效应、停止准则和虚假分量作了改进处理, 通过对仿真信号的对比验证证明了改进方法的可行性.采集切削加工中的声发射(acoustic emission, AE)信号并对AE信号运用改进EMD方法分解为若干个固有模态函数(intrinsic mode function, IMF)分量, 利用IMF分量和原始信号的相关系数作为判断依据, 剔除分解中产生的虚假分量, 然后提取IMF分量的归一化能量值并将其作为特征向量.将提取的特征向量分为2组:一组用于对最小二乘支持向量机(least squares support vector machine, LS-SVM)训练;另一组用于识别刀具磨损状态.实验结果表明该方法可有效地表征刀具的磨损状态.     

基于灰色-马尔可夫模型的刀具磨损预测

为了准确判断和预测激光超声复合超精密车削过程中刀具的磨损状况及磨损趋势,基于激光超声复合超精密车削刀具后刀面磨损试验数据,应用灰色-马尔可夫理论建立了激光超声复合超精密车削刀具磨损量灰色预测模型及灰色-马尔可夫预测模型,并对特定切削条件下的刀具磨损量进行了预报。结果表明,两种模型预测值与实测值误差较小,尤其是灰色-马尔可夫模型拟合精度更高,结果更可靠,能更好地满足工程需要。     

基于深度学习的Vigenère密码变型算法的模拟与分析

以Vigenère密码为代表的古典密码算法仍活跃在云计算和在线短信服务等资源受限场景下，以保障信息的安全。近年来，深度学习技术在密码分析领域初现其独特的优势，而其分析机理还需进一步探索。利用深度学习的机器翻译技术，对Vigenère密码变型算法进行了模拟与分析。首先，提出了一种适用于资源受限设备的改进的Vigenère密码变型算法，利用密文频率分布和重合指数验证了其安全性。其次，基于长短时记忆网络和门控循环单元网络实现了密钥长度达35位字符的Vigenère密码变型算法的模拟，并验证了神经网络模型加解密的高效性。进一步建立了密钥恢复模型，实现了Vigenère密码变型算法30位字符的密钥恢复。最后，给出了神经网络超参数的选择建议。     

基于多状态时间序列预测学习的电源车故障预测方法

针对现有的故障预测方法难以适用于大型复杂装备的现状,提出了一种基于多状态时间序列动态趋势预测学习的电源车故障预测方法。该方法首先建立基于长短时记忆(LSTM)网络的电源车运行状态时序预测模型,并结合电源车历史及实时运行数据对未来运行态势进行预测;在获取其预测态势的基础上,再利用改进的k-近邻(kNN)算法分析状态变化趋势和故障之间的关联性,对未来可能发生的故障进行预判。最后,在电源车仿真系统上进行实验分析,验证了所提方法的有效性和适用性。     

高速公路短时交通流量预测的改进非参数回归算法

针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻（K-nearest neighbor,KNN）与长短时记忆（long short term memory,LSTM）网络模型相结合的短时交通流预测模型.采用KNN算法选择路网中与预测站点时空相关的检测站,以选择的检测站的交通流序列构造数据集,将其输入LSTM模型中进行训练及测试,并通过美国交通研究数据实验室的真实交通数据对提出的模型进行验证.结果表明：与现有的交通预测模型相比,该方法能更好地提取交通流序列的时空特性,预测准确率平均可提高12.28%,可为交通诱导与控制提供必要的依据.

     

基于小波分析的刀具磨损状态监测方法

为了实现车削过程刀具磨损状态的实时在线监测 ,使用离散二阶小波变换对切削过程声发射信号进行分解 ,以不同尺度下信号分量的均方根值组成的特征向量为样本 ,利用模糊模式识别技术实现对刀具磨损状态的在线识别 .实验表明 ,在选择适当的标准样本基础上 ,所提出的基于声发射信号小波分解的模糊模式识别方法能准确实现刀具磨损状态的正确识别 ,具有较高的可靠性和准确性 .     

一种基于MSDCNN-LSTM的设备RUL预测方法

针对设备剩余使用寿命(RUL)预测过程中数据维度高,时间序列相关性信息难以充分考虑的实际应用需求,提出一种多尺度深度卷积神经网络和长短时记忆网络融合(multi-scale deep convolu-tional neural network and long short-term memory,MSDCNN-LSTM...     

基于机器视觉的加工刀具磨损监测方法

为了对加工过程中刀具的磨损状态进行监测,针对麻花钻的磨损形式,提出基于机器视觉的加工刀具磨损监测方法. 根据磨损刀具图像的灰度分布特点,提出基于积分图加速和Turky bi-weight核函数的非局部均值去噪方法;采用单、双阈值大津法获取磨损区域的灰度区间,实现对图像的自适应对比度增强;提出基于形态学重构方法的磨损区域局部极值点提取方法,有效完成对磨损区域的检测和边界提取. 该刀具磨损检测方法成功应用于麻花钻头磨损状态的监测过程,实验结果表明,相较于目前已有的机器视觉监测方法,所提出的方法具有更高的检测精度和效率,准确地提取磨损轮廓,从而有效实现对刀具磨损状态的监测和自动化监控加工过程,达到降低人工成本和产品不合格率的目的.     

基于随机森林和LSTM-自编码算法的风机高温降容状态智能检测方法

发电机、齿轮箱等风机部件的高温降容状态是表征风电机组亚健康状态的良好指标,其评估的准确性直接影响了后期人员、设备、资金等多种资源的投入的多少,以及运维方案的最终效果.为了尽可能真实客观反映风机高温降容状态,提出了一种基于随机森林和长短时记忆网络自编码(Long Short Term Memory-Au-toencode...     

ET-GD与K近邻相结合的刀具磨损监测方法

针对铣削过程中刀具磨损量监测问题，提出一种基于极端随机树和高斯分布，与K近邻相结合的刀具磨损监测方法。该方法选用截断法和hampel滤波法剔除力、振动和声发射信号中的异常值和奇异点。其次通过极端随机树和高斯分布的偏离情况对特征集进行优选，降低数据矩阵的复杂性。分别对比分析了两次优选前后三种K近邻模型的拟合度和评估度量。利用优选后的特征对逻辑回归、极端随机树、支持向量回归和K近邻算法模型进行训练，并利用十折交叉验证法和测试集进行验证。最终得出，基于极端随机树和高斯分布与K近邻的刀具磨损监测模型的拟合度达到99.17%,均方误差和平均绝对误差分别为13.0688、1.8241。结果表明该方法能够实现对铣刀磨损的有效监测，从而提高工件加工质量。     

基于多层BiLSTM和改进粒子群算法的应用负载预测方法

为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆（BiLSTM）神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤. 将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果. 通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.     

基于组合注意力模型EAAT的云KPI数据预测方法

为了准确分析云计算集群日常监控中KPI （Key Performance Indicator）数据的动态和变化趋势，并预测后续发展，达到提高云计算集群高可用性的目标，本文提出三分频的基于组合注意力模型的EWT-ARIMA-Auto-TPA （EAAT）云KPI数据预测方法.首先基于经验小波变换（Empirical Wavelet Transform，EWT）得到云KPI数据低中高频的内在模态变量（Intrinsic Mode Functions，IMFs）降低数据预测的复杂程度.其次，根据分解得到的低中高频IMFs信息特征，分别运用ARIMA、Autoformer、TPA-BiLSTM模型对每类IMFs进行预测.最后，将分类预测后结果经过逆变换IEWT加以合并得出预测结果.本文预测方法在谷歌和亚马逊的4个数据集上得到了验证，无论数据是否具有周期性或者稳定性，本文预测方法都有较好的结果，综合效果比对比模型有较大提升.     

基于一维卷积神经网络的螺旋铣刀具磨损监测

基于传统机器学习的螺旋铣刀具磨损监测方法需要复杂的特征提取和丰富的经验知识,不同磨损阶段具有相同的错误分类代价,针对这些问题,结合电流信号一维性特点,提出基于一维卷积神经网络(1D CNN)和代价敏感学习的螺旋铣刀具磨损监测方法. 采集机器人螺旋铣末端执行器主轴、公转轴和进给轴电流作为监测信号,并采用滑动窗口法进行样本划分,在降低网络容量的同时增加样本数量和多样性;在网络损失函数中引入代价矩阵并增加急剧磨损阶段的错误分类代价,使得1D CNN具有代价敏感性;直接将电流时域信号输入1D CNN,网络可以自动提取刀具磨损特征,并将特征提取和不同磨损阶段分类融合在一起. 试验结果表明,在机器人螺旋铣系统中,该方法的刀具磨损监测准确率为99.29%,在急剧磨损阶段的查全率为99.60%.     

基于改进型脉冲耦合神经网络的刀具磨损图像检测

脉冲耦合神经网络(Pulse Coupled Neural Networks,PCNN)图像分割法能很好将机械 加工中的刀具磨损区域分割出来,但分割出来的图像是二值图像,很难将刀体和背景区分开来 ,这样就难于达到对刀具及其磨损状态进行精确监测的目的,为了解决这一难题,文中提出了 改进的脉冲耦合神经网络分割算法,可成功分割出刀具磨损区、刀体和背景区域,通过对分割 后图像的分析与识别,可以实现对刀具磨损状态的检测.对车削加工中刀具不同磨损阶段的磨损图像进行分割的实验,证明了该算法的有效性.