为了有效兼顾加工过程实时信号的多维特征和序列特征,以实现精度更高的加工状态异常监测,本文提出了一种基于深度卷积-长短时记忆神经网絡(Convolution Neural Network-Long Short Time Memory,CNN-LSTM)的异常监测模型。该模型以数控...为了有效兼顾加工过程实时信号的多维特征和序列特征,以实现精度更高的加工状态异常监测,本文提出了一种基于深度卷积-长短时记忆神经网絡(Convolution Neural Network-Long Short Time Memory,CNN-LSTM)的异常监测模型。该模型以数控系统中采集的实时数据为输入,先利用CNN提取其高维特征并生成特征向量,再利用LSTM进行序列特征提取,最后通过逻辑回归得到异常诊断结果。实验表明,该模型的准确率、精确率、召回率等性能指标均超过98.5%,明显优于其他异常监测模型。展开更多
文摘为了有效兼顾加工过程实时信号的多维特征和序列特征,以实现精度更高的加工状态异常监测,本文提出了一种基于深度卷积-长短时记忆神经网絡(Convolution Neural Network-Long Short Time Memory,CNN-LSTM)的异常监测模型。该模型以数控系统中采集的实时数据为输入,先利用CNN提取其高维特征并生成特征向量,再利用LSTM进行序列特征提取,最后通过逻辑回归得到异常诊断结果。实验表明,该模型的准确率、精确率、召回率等性能指标均超过98.5%,明显优于其他异常监测模型。
