公开(公告)号：CN112069966B

公开(公告)日：2023-11-28

申请号：CN202010893197.1

申请日：2020-08-31

Applicant: 中国计量大学

Inventor： 黄玺宁 ,  朱俊江 ,  王君

IPC: G06F18/20 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08 ,  G06F18/214

Abstract: 本发明公开了基于改进型LSTM网络的表面粗糙度预测方法，包括如下步骤：S1建立不同切削参数下振动信号与所对应的粗糙度值的大数据集；S2采用步骤S1中的大数据集对CNN网络层进行训练以获得CNN筛选特征集。S3对步骤S1中的大数据进行人工筛选特征获得人工筛选特征集。S4将步骤S2中的CNN筛选特征集和步骤S3中的人工筛选特征集作为输入门的特征数据对LSTM网络层进行训练获得全特征集。S5采用一个FCN网络对全特征集进行训练，以获得振动信号与粗糙度值相对应的预测模型。S6在S5的预测模型中输入待测粗糙度的振动信号以获得表面粗糙度值。本发明中的预测模型在数据预处理后改变原始信号后，不会过滤掉相关度高的特征；提高了零件表面粗糙度预测的准确性。

公开(公告)号：CN112069966A

公开(公告)日：2020-12-11

申请号：CN202010893197.1

申请日：2020-08-31

Applicant: 中国计量大学

Inventor： 黄玺宁 ,  朱俊江 ,  王君

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于改进型LSTM网络的表面粗糙度预测方法，包括如下步骤：S1建立不同切削参数下振动信号与所对应的粗糙度值的大数据集；S2采用步骤S1中的大数据集对CNN网络层进行训练以获得CNN筛选特征集。S3对步骤S1中的大数据进行人工筛选特征获得人工筛选特征集。S4将步骤S2中的CNN筛选特征集和步骤S3中的人工筛选特征集作为输入门的特征数据对LSTM网络层进行训练获得全特征集。S5采用一个FCN网络对全特征集进行训练，以获得振动信号与粗糙度值相对应的预测模型。S6在S5的预测模型中输入待测粗糙度的振动信号以获得表面粗糙度值。本发明中的预测模型在数据预处理后改变原始信号后，不会过滤掉相关度高的特征；提高了零件表面粗糙度预测的准确性。