本发明提供基于SSAELSTM模型的深孔加工刀具磨损量监测方法,属于刀具磨损状态监测技术领域.先在深孔加工机床的两个刀杆保持架轴瓦外部分别安装两个三向加速度传感器,在深孔工件加工入口处安装传声器,采集加工过程中的刀杆振动和切削声音数据;然后利用采集到的数据对堆叠自编码器进行贪婪逐层训练,用训练好的堆叠自编码器对...
1.一种基于ssae-dbilstm模型的变压器涌流抑制装置,其特征在于:包括: 2.根据权利要求1所述的一种基于ssae-dbilstm模型的变压器涌流抑制装置,其特征在于:所述电流采集模块包括设置于接入三相电压上第一电流传感器、第二电流传感器和第三电流传感器。 3.根据权利要求1所述的一种基于ssae-dbilstm模型的变压器涌流抑制装置...
预测结果表明,SSAE-LSTM模型预测精度高于其它预测模型,在所有测试集上的一致性指数(IA)高达0.99,均方根误差RMSE与平均绝对误差MAE降到了13.98和7.90.此外,分析了SSAE-LSTM模型在不同季节的适用性,71个空气监测站点在春,夏,秋,冬4个季节测试集的预测值和实测值均有很好的线性关系,决定系数分别是0.86,0.92,0.96,...
摘要 本发明提供基于SSAE‑LSTM模型的深孔加工刀具磨损量监测方法,属于刀具磨损状态监测技术领域。先在深孔加工机床的两个刀杆保持架轴瓦外部分别安装两个三向加速度传感器,在深孔工件加工入口处安装传声器,采集加工过程中的刀杆振动和切削声音数据;然后利用采集到的数据对堆叠自编码器进行贪婪逐层训练,用训练好的堆叠自...
本发明涉及一种融合SSAE深度特征学习和LSTM网络的PM小时浓度预测方法及系统,构建SSAELSTM模型,将一定时间步长的空气污染物时间序列输入该模型,采用SSAE网络通过无监督的方法提取输入数据的抽象特征,将提取的特征作为LSTM网络的输入特征,获取一定时间步长内空气污染物信息的特征分布,最后结合全连接网络预测PM小时浓度.本发明...
本发明采用以下方案实现:一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法,具体为:构建ssae-lstm模型,将一定时间步长的空气污染物时间序列输入该模型,采用ssae网络通过无监督的方法提取输入数据的抽象特征,将提取的特征作为lstm网络的输入特征,获取一定时间步长内空气污染物信息的特征分布,最后结合全连接网络预测...
本发明涉及一种融合SSAE深度特征学习和LSTM网络的PM2.5小时浓度预测方法及系统,构建SSAELSTM模型,将一定时间步长的空气污染物时间序列输入该模型,采用SSAE网络通过无监督的方法提取输入数据的抽象特征,将提取的特征作为LSTM网络的输入特征,获取一定时间步长内空气污染物信息的特征分布,最后结合全连接网络预测PM2.5小时浓度....
本发明涉及一种融合SSAE深度特征学习和LSTM网络的PM2.5小时浓度预测方法及系统,构建SSAE‑LSTM模型,将一定时间步长的空气污染物时间序列输入该模型,采用SSAE网络通过无监督的方法提取输入数据的抽象特征,将提取的特征作为LSTM网络的输入特征,获取一定时间步长内空气污染物信息的特征分布,最后结合全连接网络预测PM2.5小时浓度...
A method for monitoring tool wear in deep hole machining based on SSAE-LSTM model, comprising: first, respectively installing two three-way acceleration sensors (5, 7) on the outside of the bushings of stands of two tool bars (6) of a deep hole machine tool, and installing a sound ...
一种融合SSAE深度特征学习和LSTM网络的PM本发明涉及一种融合SSAE深度特征学习和LSTM网络的PM邬群勇邓丽