基于格拉姆角场与对比学习的刀具状态监测方法_第1页
基于格拉姆角场与对比学习的刀具状态监测方法_第2页
基于格拉姆角场与对比学习的刀具状态监测方法_第3页
全文预览已结束

付费下载

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

研究背景刀具作为数控机床实施切削操作的执行终端，是最易损伤和浪费最严重的部件，对其进行及时有效的状态监测是保障加工质量的重要环节。随着物联网及传感技术的发展，在工业现场可以收集到大量的实时加工数据，但样本标定仍是非常费时费力，获得大量标签样本的成本很高，导致在实际工业应用中呈现“大数据少样本”现象。如何充分利用少量标签样本和大量无标签样本，实现较低成本下刀具状态监测的高精度识别，是当前刀具状态监测领域的研究热点之一。研究方法本文提出了基于对比学习和格拉姆角场的刀具磨损状态识别方法（如图1）。首先，借助格拉姆角场技术，对采集到的每个样本（包含有标签和无标签）各通道传感数据进行极坐标转换，将一维数据扩展成二维灰色递归图（如图2），并将各样本中多个通道对应的灰色递归图叠加合并为彩色递归图，丰富样本信息。进而，将所有样本对应的彩色递归图输入对比学习模型中进行自监督预训练，通过最小化正负样本对的对比损失函数优化特征权重（如图3）。最后，将优化的特征权重作为初始特征权重，利用少量有标签样本训练Resnet18分类模型。图1

本文所提方法基本流程图2

格拉姆角场示例图图3

对比学习模型框架文章创新点（1）利用格拉姆角场和递归图技术将一维数据扩展成二维彩色递归图，丰富样本信息。（2）利用对比学习模型预训练大量无标签样本，实现少标签样本下分类模型的良好性能。图4

不同刀具状态对应的彩色递归图结论结合格拉姆角场技术和对比学习模型，通过丰富样本信息和充分利用无标签样本，实现了“大数据少样本”情形下的高精度刀具状态识别。实验验证了所提方法的有效性，在少量标签样本下获得了超过95%的刀具磨损状态识别精度。本文所提方法仍需进一步研究，未来将在样本扩

人人文库> 全部分类> 教育资料 > 作文作品

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论