一维残差卷积神经网络的刀具磨损识别方法研究

摘要

传统的机器学习方法对于刀具磨损进行监测时需要人为提取特征,并且在刀具磨损监测过程出现所需时间较长、精度低等问题。本文提出基于一维残差卷积神经网络的刀具磨损状态识别方法。对原始振动信号进行小波包阈值降噪、快速傅里叶变换处理后,将生成的频谱数据作为残差卷积神经网络模型的输入,通过卷积连接、残差连接和融合等操作自动进行特征提取,最后与刀具磨损状态进行匹配。结果表明:与目前常用的其它神经网络相比较,本文所提出的方法在多次测试中后平均准确率提高了0.6%,训练耗时对于频谱图输入降低30%,具有流程简单、准确率更高的特点,相比于其他方法更有优势。