基于GAN的刀具状态监测数据集增强方法

在机械加工中,刀具在异常状态下的样本数据较少,数据集不平衡,导致深度学习网络模型对刀具状态预测的准确性难以提高,因此,如何增加异常状态下的样本数据成为亟待解决的问题。针对问题,提出基于生成对抗网络的刀具状态监测数据集增强方法,生成对抗网络的生成器可以生成与原始样本数据具有相似分布的新样本,通过采集镗削加工过程中的振动信号和声音信号,利用生成对抗网络对刀具在异常状态下的样本数据进行生成,并在深度置信网络上测试新样本数据的可用性。实验结果显示,用增强之后的数据集训练深度学习网络模型,其分类精度达到99%以上,因此,该方法能有效地提高刀具状态监测的准确性。