刀具磨損狀態(tài)1GTO-CNN-LSTM模型監(jiān)測(cè)流程

在自動(dòng)化生產(chǎn)過(guò)程中，一個(gè)高精度的磨損監(jiān)測(cè)模型能夠非常有效地對(duì)未來(lái)刀具磨損狀態(tài)進(jìn)行識(shí)別，探討刀具磨損值在處于急劇磨損階段前就能夠?qū)崿F(xiàn)智能換刀有一定的現(xiàn)實(shí)意義。因此提出了一種基于GTO算法多目標(biāo)優(yōu)化的CNN-LSTM刀具磨損狀態(tài)監(jiān)測(cè)方法，該方法將卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為特征提取器，將長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)作為訓(xùn)練器對(duì)刀具磨損值進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并利用GTO算法對(duì)模型中的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行多目標(biāo)優(yōu)化，實(shí)現(xiàn)全局尋優(yōu)，提高模型的監(jiān)測(cè)效果，如圖1所示。其GTO-CNN-LSTM刀具磨損監(jiān)測(cè)模型的具體步驟如下所示:

步驟1:利用傳感器對(duì)7個(gè)通道的原始信號(hào)進(jìn)行提取，分別在時(shí)域、頻域、時(shí)頻域進(jìn)行特征提取與融合,并基于Pearson-KPCA算法構(gòu)建刀具狀態(tài)監(jiān)測(cè)模型的樣本數(shù)據(jù)集。

步驟 2:利用 GTO多目標(biāo)優(yōu)化模塊對(duì) CNN-LSTM網(wǎng)絡(luò)結(jié)構(gòu)中 11個(gè)待優(yōu)化的超參數(shù)進(jìn)行初始化,為尋找 CNN-LSTM模型最佳超參數(shù)解集做準(zhǔn)備。

步驟 3:將步驟 1形成的刀具磨損樣本數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,其劃分比例為 7: 1: 2,同時(shí)將初始化的超參數(shù)輸入 CNN-LSTM模型。

步驟 4:將訓(xùn)練集輸入 CNN模塊中進(jìn)行卷積堆疊和池化壓縮操作,提取出原始數(shù)據(jù)的深層特征,輸出一個(gè)壓縮的刀具磨損特征映射向量。

步驟 5:將壓縮的特征向量輸入到長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)模塊, LSTM網(wǎng)絡(luò)進(jìn)一步捕捉刀具磨損數(shù)據(jù)的時(shí)間依賴特征。

步驟6:利用步驟2提供的11個(gè)初始參數(shù)進(jìn)行CNN-LSTM的訓(xùn)練，使用全連接層和Softmax層得到概率序列并計(jì)算目標(biāo)函數(shù);若達(dá)不到訓(xùn)練終止條件，則返回步驟4繼續(xù)上述計(jì)算，直至達(dá)到最大迭代次數(shù)或目標(biāo)函數(shù)收斂為止。

步驟7:將步驟3形成的驗(yàn)證集輸入訓(xùn)練好的CNN-LSTM模型并計(jì)算預(yù)測(cè)值與實(shí)際值之間的均方誤差(MSE)，若未達(dá)到終止條件，GTO多目標(biāo)優(yōu)化模塊通過(guò)探索過(guò)程和開發(fā)過(guò)程迭代更新種群個(gè)體的位置，直至找到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)解集止。

步驟8:將步驟3形成的測(cè)試集和步驟7得到的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)解集輸入至訓(xùn)練好的CNN-LSTM模型中進(jìn)行刀具磨損值的回歸預(yù)測(cè)，然后對(duì)GTO-CNN-LSTM模型的預(yù)測(cè)效果進(jìn)行評(píng)估。

黄色大片免费看-午夜专区-韩国一级片在线观看-中文字幕久热-亚洲字幕在线观看-精品国产乱码一区二区-亚洲字幕av一区二区三区四区-www.97视频-国产一区二区视频网站-在线观看涩涩视频-操你妹影院

刀具磨損狀態(tài)1GTO-CNN-LSTM模型監(jiān)測(cè)流程

產(chǎn)品視頻

U30五軸加工中心視頻

U30Pro五軸加工中心視頻

U600S五軸加工中心視頻

聯(lián)系我們

關(guān)注官方微信