一种用于刀具状态监测的具特征学习的多状态诊断与预后框架
信号处理
2018-05-02 v1 机器学习
摘要
本文提出一种基于深度信念网络多状态方法（DBNMS）的多状态诊断与预后（MDP）框架，用于刀具状态监测。对于故障诊断，应用代价敏感深度信念网络（即ECS-DBN）处理刀具状态估计中的不平衡数据问题。随后基于不同刀具状态施加适当的预后退化模型用于刀具磨损估计。所提框架具有自动特征表示学习的优势，并在准确率和鲁棒性上表现更优。所提DBNMS的有效性使用从枪钻过程获得的真实数据集进行验证。该数据集包含大量涉及不同刀具几何形状在各种操作条件下的测量信号。DBNMS在刀具状态估计和刀具磨损估计任务上均接受检验。在实验研究中，预测结果被评估并与流行的机器学习方法比较，显示出所提DBNMS方法的优越性能。
引用
@article{arxiv.1805.00367,
title = {A Multi-State Diagnosis and Prognosis Framework with Feature Learning for Tool Condition Monitoring},
author = {Chong Zhang and Geok Soon Hong and Jun-Hong Zhou and Kay Chen Tan and Haizhou Li and Huan Xu and Jihoon Hong and Hian-Leng Chan},
journal= {arXiv preprint arXiv:1805.00367},
year = {2018}
}
备注
14 pages, 12 figures, 10 tables, submitted to IEEE Transactions on Cybernetics