概括
这项研究引入了一种新的深度学习方法,用于使用声信号实时监测激光去漆. 卷积神经网络 (CNN) 实现了高精度,优于传统模型的有效过程控制.
科学领域:
- 工程 工程师 工程师 工程师
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 激光涂料清除过程中的声学信号提供了对过程状态的洞察力.
- 环境噪音对实时声学监测具有重大挑战.
- 现有的方法缺乏强大的实时功能来进行激光涂料清除.
研究的目的:
- 开发一种新的实时声学监控方法,用于激光去漆.
- 利用深度学习技术来增强信号分析和降噪.
- 创建一个实用,高精度的系统,用于在线监控去漆.
主要方法:
- 从激光涂料清除过程中收集和无声化声学信号.
- 提取的时间域,频域和时间频域特征.
- 利用Mel频率头系数 (MFCC) 来训练一个卷积神经网络 (CNN).
主要成果:
- CNN模型实现了97%的实时区分精度和99%的AUC-ROC.
- 美国有线电视新闻网 (CNN) 的表现优于BP,SVM和RF等传统模式.
- 使用NVIDIA Jetson Nano开发的系统在1小时内显示出94.3%的准确性,判断时间为60毫秒.
结论:
- 深度学习,特别是具有MFCC功能的CNN,可以有效地实时监控激光涂料清除的声学监控.
- 开发的系统为连续,准确的在线监控提供了实用解决方案.
- 这种方法显著克服了激光涂料清除过程中环境噪声所带来的挑战.
