基于长短时记忆卷积神经网络的刀具磨损在线监测模型

为了提高机械加工过程中刀具磨损在线监测的准确性,提出了一种基于长短时记忆卷积神经网络（LSTM-CNN）的刀具磨损在线监测模型。在该监测模型中,通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集,采集的数据其本质为时间序列数据。考虑采集数据的序列和多维度特性,采用LSTM-CNN网络对采集的数据进行序列和多维度特征提取,利用线性回归实现特征到刀具磨损值的映射。通过实验验证了该模型的有效性和可行性,模型的精度较其他几种方法有了较大的提高。     

强化学习长短时记忆神经网络用于状态预测

提出基于强化学习三态组合长短时记忆神经网络(reinforcement learning 3-states combined long and short time memory neural network, 简称RL-3S-LSTMNN)的旋转机械状态退化趋势预测新方法。笔者提出的RL-3S-LSTMNN中,采用最小二乘线性回归方法构造单调趋势识别器,将旋转机械整体的状态退化趋势分为平稳、下降、上升３种单调的趋势单元,并通过强化学习为每一种单调趋势单元选择一种隐层层数和隐层节点数与之相适应的长短时记忆神经网络,提高了RL-3S-LSTMNN的泛化性能和非线性逼近能力,使所提出的状态退化趋势预测方法具有较高的预测精度。用不同隐层数、隐层节点数和３种单调趋势单元分别表示Q表的动作和状态,并将长短时记忆神经网络(long and short time memory neural network, 简称LSTMNN)输出误差与Q表的更新相关联,避免了决策函数的盲目搜索。结果表明：提高了RL-3S-LSTMNN的收敛速率,使所提出的预测方法具有较高的计算效率;滚动轴承状态退化趋势预测实例验证了该方法的有效性。     

基于长短时记忆和卷积神经网络的手势肌电识别研究

用表面肌电进行手势识别具有细节信息可选择性和抗外界干扰能力强的优势,但现有方法的适应性和识别准确性还不足.通过在卷积神经网络的基础上增加长短时记忆网络处理层,构筑手势识别模型,它能捕获手势动作过程的肌电时序特征,一定程度上减少了过拟合的现象.利用手势肌电丰富的时频域信息,提取手势肌电的小波包特征图像,并与手势肌电图像一...     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。     

基于LSTM的刀具磨损预测模型

对刀具每次走刀后的磨损量与走刀过程中的传感器信号进行研究,提出基于长短时记忆神经网络(LSTM)的刀具磨损预测模型。使用LSTM模型自主提取时间序列数据特征,将多个传感器信号作为模型输入自动化处理,避免了人工提取特征出现的信息丢失,充分把握了实验数据的长时依赖性和多维度、多长度特征。经实验对比分析表明：LSTM模型在刀具磨损预测结果上具有显著优势。     

基于长短时记忆网络的深孔镗削刀具状态监测

镗削加工是机械加工领域中非常重要的一种加工手段,被广泛应用于大型零件的深孔加工过程中。但由于镗削加工的切削区域位于深孔内部,所以机床操作者难以对刀具状态做出准确的判别。针对这一问题,提出了基于深度长短时记忆(Long Short-Term Memory,LSTM)网络的镗削刀具状态监测方法。通过对镗削过程的振动和声音信号采集,利用振动和声音信号的频域数据训练深度长短时记忆网络,建立了振动和声音信号与镗削刀具状态的映射模型。在深孔镗床上进行了模型测试试验。试验表明:深度长短时记忆网络模型对刀具状态有着较好的预测准确度。     

热镀锌锌液温度的选择

锌液温度是热镀锌工艺中至关重要的工艺参数,该参数选择得恰当与否,不仅关系到热镀锌产品的质量,而且还直接影响着生产成本和锌锅的寿命。 1.锌液温度分类 热镀锌实际就是熔融的锌液对工件铁基表面的溶解而形成镀层的过程。80年代初,国内热镀锌行业把锌液温度分为五种类型。 (1)480℃以下 在这一温度范围,生产的铁锌合金层致密且连续,但由于锌液对铁的溶解缓慢,故而镀锌速度较慢。     

弓网接触力长短时记忆网络预测的受电弓主动控制与仿真

针对列车高速行驶时弓网系统接触力波动剧烈影响受流质量的问题,充分利用长短时记忆网络对时序预测的优势,提出了弓网接触力长短时记忆网络预测的受电弓主动控制方法.首先以二元受电弓模型作为研究对象,建立其动力学方程,并对其模型进行仿真得到接触力波动数据.然后,将仿真得到的接触力数据作为训练样本输入长短时记忆网络中建立预测模型,...     

基于优化双向长短时记忆网络的刀具磨损状态识别

准确可靠地对刀具磨损状态进行监测和识别,有助于保证加工质量和加工效率。为提高刀具磨损状态识别精度,提出一种优化双向长短时记忆网络(NGO-BiLSTM)的刀具磨损状态识别新方法。NGO-BiLSTM核心思想就是通过北方苍鹰优化算法(NGO)对BiLSTM网络超参数进行自适应优化选取,从而解决BiLSTM网络超参数取值不同导致识别结果不稳定这一问题,进而提高BiLSTM的识别性能。通过刀具磨损状态识别实例对所提方法的有效性进行验证,结果表明：所提方法提高了识别精度,在5种评价指标上也是优于其它几种方法。     

基于一维卷积长短时记忆网络的多信号融合刀具磨损评估

为实现刀具磨损状态的有效在线监测,提出一种基于一维卷积长短时记忆网络的多信号融合刀具磨损评估模型.该模型综合使用加工过程中主轴和工作台的振动和声发射信号,以实现信号间的优势互补,弥补单一信号的不足;基于一维卷积的特征学习能力和长短时记忆网络的时序特征分析能力,充分挖掘信号中包含的刀具磨损状态信息;最后通过全连接层和softmax分类器对刀具磨损状态进行评估.试验结果表明,该模型在各单一工况下对刀具磨损状态的识别准确率均可达93.8％以上,整体工况下识别准确率达95.3％,具有很好的稳定性和多工况通用性.     

基于长短记忆网络的刀具磨损监测方法研究

刀具磨损监测是推动数控机床稳定运行的有效手段。为实现刀具健康实时监测,设计一种基于长短记忆网络的刀具磨损监测方法。将实时采集的切削力信号进行去噪、降维等预处理;用堆叠自编码器进行特征提取,获得影响刀具磨损的本质特征;用长短记忆网络构建刀具磨损监测模型,实现加工过程中刀具磨损监测。利用铣削实验数据进行实例验证,获得磨损量平均绝对误差为0.060 80的铣刀磨损量监测模型,验证了该方法的有效性。     

基于神经网络联想记忆的数控机床故障诊断系统

文章根据数控机床故障诊断的特点,分析了数控机床故障诊断系统的故障原因和故障源,然后引入一种带联想记忆功能的神经网络模型,并介绍了这种模型的原理和算法;最后利用所得的神经网络模型,对该故障系统的样本进行学习并记忆,再就检测或用户输入得来的故障原因进行联想回忆,得到诊断结果。实验结果表明,这种基于神经网络联想记忆的数控机床故障诊断系统简单,且能满足数控系统的故障诊断要求。     

基于LSTM和功率信息的大型工件加工过程监控

设计一种通过功率信息和长短时记忆神经网络来实现对大型工件加工过程进行监控的方法.采集加工过程中的机床功率数据,使用网格搜索法优化参数,建立加工过程识别模型,用以实现监控大型工件加工过程.利用功率信息监控加工过程既可以掌握加工进度,还可以结合工步和功率信息判断生产过程中的异常情况.模拟实例表明,该监控方法效果较好.     

基于神经网络双向联想记忆的超声检测

将神经元网络的联想记忆模型用于超声反射回波信号的识别与分类,通过对缺陷的超声信号分析处理,结果表明：采用双向联想记忆方法进行缺陷识别与分类是可行的,为超声缺陷的诊断提供了一条新的途径。     

基于改进LLE-LSTM的化工过程故障诊断

针对化工生产过程数据多样性、高维性以及相似性的特点,传统的局部线性嵌入难以发掘数据高维非线性、不均匀特征的问题,本文提出一种改进LLE-LSTM算法。首先,运用改进LLE算法求出样本集的协方差矩阵,计算权重系数矩阵,将样本集映射到低维空间。其次,将重构的低维样本集输入LSTM模型,进一步提取样本特征。最后,对故障类型进行诊断和分类。将该方法应用到田纳西-伊斯曼（TE）过程,实验结果表明该方法具有更高的准确性和优越性。     

基于温度检测和神经网络的空调负荷预测

本文从分析空调系统运行历史数据出发,结合空调系统工作的环境参数影响,提出一种基于温度检测和神经网络的负荷预测方法.实验表明这种方法可以比较有效地预测空调系统的运行负荷.     

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际; 2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。     

基于变维GRU-BiLSTM神经网络模型的滚动轴承寿命预测

滚动轴承作为最常见的旋转机械零部件,其服役状态下产生的振动信号具有典型的周期性特征,为充分发挥轴承振动信号的这一特征,提出一种融合变维门控循环单元（GRU）和双向长短时记忆单元（BiLSTM）的神经网络模型,并用于轴承寿命预测。该模型先将原始振动信号分成训练集和测试集,然后将轴承振动信号直接输入到变维GRU层中,由变维GRU层捕获原信号的特征并建立特征间的关联性,然后将预处理后的数据输入到BiLSTM层中,由BiLSTM对轴承寿命进行预测。通过使用试验台数据集进行试验,验证了该模型在轴承寿命预测上具有较高的精度,具有一定的工程指导意义。     

基于GWO-LSTM的上市企业信用风险评估

为提高上市企业信用风险评估的准确率,提出一种基于GWO-LSTM的上市企业信用风险评估方法.首先,综合考虑财务指标变量和非财务指标变量,建立了上市企业信用风险评估指标体系.其次,针对LSTM模型性能受其参数选择的影响,运用GWO优化选择LSTM模型的隐含层神经元数量、分块尺寸、最大训练周期数和学习率,建立了基于GWO-...