相关实验视频
Updated: Jul 2, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
在多个传感器特征融合下进行多项式增强的卷积门反复循环方法,用于工具磨损预测
Jigang He1, Luyao Yuan2, Haotian Lei2
1School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
这项研究介绍了PCHIP增强的ConvGRU (PECG),这是一种用于准确预测工具磨损的新型深度学习模型. PECG克服了数据丢失和扭曲问题,显著提高了寿命预测的准确性.
科学领域:
- 制造业 工程 制造工程
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 切割工具寿命监测面临着数据丢失,漂移和扭曲等挑战,影响预测准确度.
- 深度学习模型 (GRU,HMM,CNN,RNN,变压器) 已经提高了工具磨损预测的准确性.
研究的目的:
- 引入一种新的方法,PCHIP-Enhanced ConvGRU (PECG),用于增强工具磨损预测.
- 为了应对传感器数据中缺少工具磨损测量数据的挑战.
主要方法:
- 开发了PCHIP增强的ConvGRU (PECG),利用多种特征的融合.
- 采用PCHIP插值来解决缺失的磨损数据.
- 组合卷积神经网络 (CNN) 和有数据增强的门式循环单元 (GRU).
主要成果:
- 在关键性能指标,特别是准确性方面,PECG始终优于传统模型 (CNN,CNN Block,GRUs).
- 实现了 0.8522.22 的相对精度.
- 皮尔森相关系数 (PCC) 超过0.95.
结论:
- PECG提供了一个强大的解决方案,可以准确地预测工具磨损,即使数据不完整.
- 该模型在预测工具寿命方面表现出更高的稳定性和精度.
- 这种方法代表了智能制造和预测性维护的重大进步.
