一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法技术

本发明专利技术提出一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法，包括：采集原始数据，划分训练集和测试集，并进行预处理；构建动态自适应小波网络，按奇偶索引对原始信号进行分解，得到近似系数和细节系数；进行插值上采样处理，保留原始尺寸，再对近似系数实例归一化，将其作为振动信号的频域特征；构建双向门控时空特征融合器，通过多头门控机制动态更新水平和垂直隐藏状态，捕捉输入的长期磨损趋势和局部瞬态特征；将两个模块的输出进行拼接，得到综合特征，进而得到刀具磨损的分类结果；通过训练集和测试集验证模型性能，得到最终的刀具磨损分类模型。本发明专利技术能更有效地识别磨损状态，为刀具维护提供有力支持。

【技术实现步骤摘要】

本专利技术涉及刀具磨损状态监测领域，尤其涉及一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法。

技术介绍

1、在现代工业生产和机械设备运行过程中，磨损是一个不可避免且至关重要的问题。准确地监测和预测设备的磨损状态对于保障设备的正常运行、提高生产效率、降低维护成本以及避免潜在的安全事故具有极其重要的意义。随着传感器技术的不断发展和数据采集能力的提升，通过对设备运行过程中产生的各种信号进行分析来实现磨损状态的监测和预测已成为研究的热点。

2、随着人工智能技术的发展，机器学习、深度学习等模型在刀具磨损状态识别中得到了广泛应用。机器学习模型通过对大量的刀具磨损数据进行学习和训练，建立起刀具磨损状态与监测信号特征之间的映射关系，从而实现对刀具磨损状态的识别。支持向量机(svm)是一种常用的机器学习模型，它在小样本、非线性分类问题上具有良好的性能。神经网络也是一种广泛应用于刀具磨损状态识别的机器学习模型，它具有强大的非线性映射能力和自学习能力。深度学习模型作为机器学习的一个分支，近年来在刀具磨损状态识别领域取得了显著的成果。深度学习模型能够自动从本文档来自技高网...

【技术保护点】

1.一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法，其特征在于，步骤S1具体包括：

3.根据权利要求1所述的一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法，其特征在于，步骤S2具体包括：

4.根据权利要求1所述的一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法，其特征在于，步骤S3具体包括：

5.根据权利要求1所述的一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法，其特征在于，步骤S4具...

【技术特征摘要】

1.一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法，其特征在于，步骤s1具体包括：

3.根据权利要求1所述的一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法，其特征在于，步骤s2具体包括：

4.根据权利要求1所述的一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法，其特征在于，步骤s3具体包括：

5.根...

【专利技术属性】
技术研发人员：陈闯，怀雅婷，史建涛，施歌，岳冬冬，刘钦源，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：