变工况刀具破损监测的半监督增量学习方法

TH166; 针对零件加工过程刀具破损监测存在的破损样本数量极少、样本分布随工况变化的问题,提出一种半监督的增量学习方法.首先,采集部分刀具正常状态的样本,通过自编码器学习正常样本的低维共性特征,并根据样本在特征空间的分布建立刀具破损监测模型,在无破损样本的条件下开始破损监测.在破损监测过程中,采用自编码器的重建误差检测样本分布是否变化,在样本分布变化或模型识别错误时,采用最新获取的样本对模型进行增量训练,使模型保持良好的识别能力.利用发电机转子铣削过程刀片破损数据进行验证,与标准的自编码器方法、一分类支持向量机方法和局部离群因子方法进行对比分析,结果表明,所提方法显著提高了对不同工况获取的样...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 28; no. 9; pp. 2805 - 2814
Main Authors 孙世旭, 胡小锋, 夏铭远
Format Journal Article
LanguageChinese
Published 上海交通大学 机械与动力工程学院,上海 200240 30.09.2022
上海航天控制技术研究所,上海 201109%上海交通大学 机械与动力工程学院,上海 200240
Subjects
半监督学习
刀具破损监测
工况
增量学习
不平衡数据
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2022.09.013

Cover

More Information
Summary:TH166; 针对零件加工过程刀具破损监测存在的破损样本数量极少、样本分布随工况变化的问题,提出一种半监督的增量学习方法.首先,采集部分刀具正常状态的样本,通过自编码器学习正常样本的低维共性特征,并根据样本在特征空间的分布建立刀具破损监测模型,在无破损样本的条件下开始破损监测.在破损监测过程中,采用自编码器的重建误差检测样本分布是否变化,在样本分布变化或模型识别错误时,采用最新获取的样本对模型进行增量训练,使模型保持良好的识别能力.利用发电机转子铣削过程刀片破损数据进行验证,与标准的自编码器方法、一分类支持向量机方法和局部离群因子方法进行对比分析,结果表明,所提方法显著提高了对不同工况获取的样本的识别效果.
ISSN:1006-5911
DOI:10.13196/j.cims.2022.09.013