《应用深度网络学习的中走丝机床放电状态检测方法》PDF+DOC
作者:沈娣丽,刘冬敏,都金光,明五一
单位:辽宁省机械研究院
出版:《机械设计与制造》2019年第08期
页数:4页 (PDF与DOC格式可能不同)
PDF编号:PDFJSYZ2019080390
DOC编号:DOCJSYZ2019080399
下载格式:PDF + Word/doc 文字可复制、可编辑
《基于多通道位移传感器的刀具断裂检测》PDF+DOC2015年第22期 耿欣,顾红光
《用于Micro-EDM放电状态分类的多传感器集成与信息融合系统》PDF+DOC2000年第03期 裴景玉,韩静,高长水,刘正埙
《线切割加工检测断丝的传感器》PDF+DOC2001年第06期 樊琳,陈齐汉
《纳米材料在有机磷农药检测的应用》PDF+DOC2017年第08期 党璐
《茶叶贮藏时间电子鼻检测方法》PDF+DOC 鲍俊宏,薛大为
《机电一体化中传感器与检测技术的运用》PDF+DOC2017年第10期 王楠
《“新工科”背景下《传感器与检测技术》课程建设探讨》PDF+DOC2019年第09期 胡博文
《非接触式挠度检测板形仪的研制》PDF+DOC1988年第04期 于长洋,王洪瑞
《国外CCD检测技术在工业中的应用与发展》PDF+DOC2005年第04期 刘征,彭小奇,丁剑,唐英
《发动机检测分析仪控制软件设计》PDF+DOC2008年第03期 赵亚男,赵福堂,范焱
中走丝机床放电加工过程中,放电状态的检测是数控系统中的一个极其重要环节,而传统的检测是基于放电电压的平均值对其辨识,但是它对过渡电弧放电和电弧放电等状态检测不敏感。针对上述问题,提出一种基于深度网络学习的机器视觉方法,首先将放电状态的电压信号转换为灰度图像;其次对不同周期的放电图像压缩到统一的图像尺寸中(256×;256像素);最后基于Tensorflow并行计算框架,采用K邻近方法、Logistic Regression方法和深度网络学习三种方法对放电状态进行辨识。结果表明深度网络学习方法最好,准确率最优为95.63%,这对中走丝机床放电状态传感器的设计具有重要的指导意义。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。