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

Abstract 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.
AbstractList 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.
Author 孙世旭
胡小锋
夏铭远
AuthorAffiliation 上海交通大学 机械与动力工程学院,上海 200240;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
AuthorAffiliation_xml – name: 上海交通大学 机械与动力工程学院,上海 200240;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
Author_FL HU Xiaofeng
SUN Shixu
XIA Mingyuan
Author_FL_xml – sequence: 1
  fullname: SUN Shixu
– sequence: 2
  fullname: HU Xiaofeng
– sequence: 3
  fullname: XIA Mingyuan
Author_xml – sequence: 1
  fullname: 孙世旭
– sequence: 2
  fullname: 胡小锋
– sequence: 3
  fullname: 夏铭远
BookMark eNotj8tKw0AYhWdRwVr7BL6BkPhPpjPJv5TiDQpudF2SuUiDpuAoSlcuvKGU4kIRRS2K7lxpKX0fJ8G3MKKrc87mO3wzpJJ1M03IHAWfMopiIfVlZ8f6AQSBD-gDZRVSpQDC40jpNKlb20nKyQULOa8SdINbN351pyN3fuROxsXwM-8_FfdX-eiyuDt2_YuyFw8v7vnx-2zg3t--JsP8ZpJ_XM-SKRNvW13_zxrZXF7aaK56rfWVteZiy7MUOPNiraVRESgTQkOLiBoMY47IaWQMRolsUBUhA6WlSiJDFTLFpUShpYZECFYj83_cgzgzcbbVTrv7u1n52E5tmspe73Dv1xawdGU_Gr5hmQ
ClassificationCodes TH166
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.13196/j.cims.2022.09.013
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
DocumentTitle_FL Semi-supervised incremental-learning method for tool breakage detection under variable operation conditions
EndPage 2814
ExternalDocumentID jsjjczzxt202209013
GrantInformation_xml – fundername: (国防基础科研资助项目); (国家重点研发计划); (上海市科学技术委员会资助项目)
  funderid: (国防基础科研资助项目); (国家重点研发计划); (上海市科学技术委员会资助项目)
GroupedDBID 2B.
4A8
92I
93N
ALMA_UNASSIGNED_HOLDINGS
CDYEO
PSX
TCJ
ID FETCH-LOGICAL-s1053-aeecfd80df704e681f97a599518ff98bc41d8930decdb8f1d93d5cc96ece0b663
ISSN 1006-5911
IngestDate Thu May 29 04:00:05 EDT 2025
IsPeerReviewed true
IsScholarly true
Issue 9
Keywords 半监督学习
刀具破损监测
工况
增量学习
不平衡数据
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-s1053-aeecfd80df704e681f97a599518ff98bc41d8930decdb8f1d93d5cc96ece0b663
PageCount 10
ParticipantIDs wanfang_journals_jsjjczzxt202209013
PublicationCentury 2000
PublicationDate 2022-09-30
PublicationDateYYYYMMDD 2022-09-30
PublicationDate_xml – month: 09
  year: 2022
  text: 2022-09-30
  day: 30
PublicationDecade 2020
PublicationTitle 计算机集成制造系统
PublicationTitle_FL Computer Integrated Manufacturing Systems
PublicationYear 2022
Publisher 上海交通大学 机械与动力工程学院,上海 200240
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
Publisher_xml – name: 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
– name: 上海交通大学 机械与动力工程学院,上海 200240
SSID ssib006563755
ssib023646381
ssib001102950
ssib051375755
ssib023167363
ssib036438063
ssib000459500
ssib002258428
Score 2.3855522
Snippet 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...
SourceID wanfang
SourceType Aggregation Database
StartPage 2805
Title 变工况刀具破损监测的半监督增量学习方法
URI https://d.wanfangdata.com.cn/periodical/jsjjczzxt202209013
Volume 28
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
journalDatabaseRights – providerCode: PRVEBS
  databaseName: Inspec with Full Text
  issn: 1006-5911
  databaseCode: ADMLS
  dateStart: 20200701
  customDbUrl:
  isFulltext: true
  dateEnd: 99991231
  titleUrlDefault: https://www.ebsco.com/products/research-databases/inspec-full-text
  omitProxy: false
  ssIdentifier: ssib000459500
  providerName: EBSCOhost
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnR3LahRBcIjJxYsoKr4JaJ9ktedddZzZnRDEeDGB3MI81YArmA3Injz4QgnBgyKKJih686Qh5H-cXfwLq3o6u63rIXoZaqu7q-sxM1W1dNVY1iUvr9KQIvFWZjtckpOlLfCzsgWYFlmYVdLLuFB44UYwv-RdW_aXpw5tGaeW1nvZlbz_17qS_7Eq4ciuXCX7D5YdESUEwWRfupKF6XogG4vEFzAnEBiIQxH5ChOIuAGAzzEwoEYTmiBF7IkkENAROMcYjAXajKElECtMJMBTqzoCImMOAR0RuTwUOQITkaCAkBlgDA0FIvFEjLwLEcSAYabsiuYLl_tBsEhARImIFE0CMFTz2yKOmCZtRyIwkyBQakHiQG0nFfGQacaKW7ri6HCyZgRRMQLMAhOmTTrjKaQUV-1NSpGKe9qSIur4Nyre_ojLFGlRTHpum_-R0E2nD3Tou1pvyjpT6mSVeywTEWt4J9U2tKNwpLPLhuwBK5aY0oQSJTutBw2QZsaGDhkPsaF8ZMmJgtOeZIVbRzpNyyrtg_hPHh-1D9JOygHjYUTT44D0jejFgaYmd8Iz8qtWucb8zl1uU-84qr9vUwj8R8vx1bXV1bzff9DjaZIiRveQNeOQ25TT1kzUWbh-08wI0Dc6PFI06aBvllZThGtkuJQ-uOG4FNrhRgxGBzj-nAF5hJHLoZ8uyPG4b9PqUH3LeKQm3UuMBbw6KZ4qxutWafeWETcuHrWO6IRvNmqe3mPWVP_2cQvrzTf17uf6yU797GH9eHe4_X2wsTV893Kw82L49lG98Zzg4ftP9ccPP59u1l-__NjbHrzeG3x7dcJamksW2_Mt_RGT1hqlLm4rLcu8KkAWVSi9MgC7wjDlLn82VBVClnt2QTmDLMq8yKCyC3QLP88xKPNSZpQPnLSmu_e65SlrNnUhxILyzALBy_ISKJdxKbwuMaMwW5anrYta1BX9klpbmTTlmQPNOmsdHj9I56zp3v318jyF373sgr4FfgEHQ6EU
linkProvider EBSCOhost
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%8F%98%E5%B7%A5%E5%86%B5%E5%88%80%E5%85%B7%E7%A0%B4%E6%8D%9F%E7%9B%91%E6%B5%8B%E7%9A%84%E5%8D%8A%E7%9B%91%E7%9D%A3%E5%A2%9E%E9%87%8F%E5%AD%A6%E4%B9%A0%E6%96%B9%E6%B3%95&rft.jtitle=%E8%AE%A1%E7%AE%97%E6%9C%BA%E9%9B%86%E6%88%90%E5%88%B6%E9%80%A0%E7%B3%BB%E7%BB%9F&rft.au=%E5%AD%99%E4%B8%96%E6%97%AD&rft.au=%E8%83%A1%E5%B0%8F%E9%94%8B&rft.au=%E5%A4%8F%E9%93%AD%E8%BF%9C&rft.date=2022-09-30&rft.pub=%E4%B8%8A%E6%B5%B7%E4%BA%A4%E9%80%9A%E5%A4%A7%E5%AD%A6+%E6%9C%BA%E6%A2%B0%E4%B8%8E%E5%8A%A8%E5%8A%9B%E5%B7%A5%E7%A8%8B%E5%AD%A6%E9%99%A2%2C%E4%B8%8A%E6%B5%B7+200240&rft.issn=1006-5911&rft.volume=28&rft.issue=9&rft.spage=2805&rft.epage=2814&rft_id=info:doi/10.13196%2Fj.cims.2022.09.013&rft.externalDocID=jsjjczzxt202209013
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fjsjjczzxt%2Fjsjjczzxt.jpg