[1] |
傅致远,王仲逸,吴一凡,等. 基于DTW和DBA算法的CNC刀具破损在线检测[J]. 组合机床与自动化加工技术, 2019(7):97-100.
|
[2] |
罗振璧. 现代制造系统[M]. 北京:机械工业出版社, 2004:33-39.
|
[3] |
方平. 数控机床刀具磨损的多传感器在线实时监测的研究[D]. 保定:华北电力大学, 2014.
|
[4] |
DIMLA E. Sensor signals for tool-wear monitoring in metal cutting operations—A review of methods[J]. International Journal of Machine Tools & Manufacture, 2000,40(8):1073-1098.
|
[5] |
高琛. 刀具磨损状态监测系统研究[D]. 济南:山东大学, 2008.
|
[6] |
聂鹏,吴文进,李正强,等. 基于BP神经网络和D-S证据理论的刀具磨损监测方法[J]. 机床与液压, 2016,44(9):173-177.
|
[7] |
钱桃林,高宏力,李辅翼,等. 基于EMD和ADS的刀具磨损在线监控系统开发[J]. 组合机床与自动化加工技术, 2017(5):108-110.
|
[8] |
徐顺利,崔凤魁,杨建玺,等. 刀具磨损的在线监测──切削功率监测法[J]. 中国机械工程, 1995(6):115-116.
|
[9] |
鲁笑颖,张玉峰,冯平法. 车削中心刀具磨破损的监控[J]. 制造技术与机床, 1995(4):10-13.
|
[10] |
董喜望. 生产线刀具破损监控系统设计与研制[D]. 大连:大连理工大学, 2015.
|
[11] |
贺晓辉,鄢萍,张佳毅,等. 功率信息互相关法的刀具破损在线监测[J]. 重庆大学学报, 2011,34(9):9-16.
|
[12] |
XU G D, ZHOU H C, CHEN J H. CNC internal data based incremental cost-sensitive support vector machine method for tool breakage monitoring in end milling[J]. Engineering Applications of Artificial Intelligence, 2018,74:90-103.
|
[13] |
李威霖. 车铣刀具磨损状态监测及预测关键技术研究[D]. 成都:西南交通大学, 2013.
|
[14] |
甄恒洲. FMS中铣削刀具破损监控技术的研究[J]. 组合机床与自动化加工技术, 2002(3):48-49.
|
[15] |
王寒枫,林益耀. 关于利用切削功率监控刀具状态的评述[J]. 机械制造, 1995(4):4-6.
|
[16] |
储晓承. 开放式CNC机床加工过程状态监测技术研究[D]. 南京:南京航空航天大学, 2011.
|
[17] |
姚鹏. 基于以太网的异构数控机床DNC系统的研究与实现[D]. 郑州:郑州大学, 2018.
|
[18] |
罗敏. 典型数控系统应用技术(FANUC篇)[M]. 北京:机械工业出版社, 2010:24-28.
|
[19] |
李志虎. 基于FANUC CNC的设备在线管理技术研究[J]. 制造技术与机床, 2017(10):122-123.
|
[20] |
王中良. 基于FOCAS的数控机床数据采集系统的开发[D]. 沈阳:东北大学, 2015.
|
[21] |
CHANDOLA V, BANERJEE A, KUMAR V. Anomaly detection: A survey[J]. ACM Computing Surveys, 2009,41(3).DOI:10.1145/1541880.1541882.
|
[22] |
AGGARWAL C C. An Introduction to Outlier Analysis[M]. Springer, 2017.
|
[23] |
王腾,焦学伟,高阳. 一种基于 Attention-GRU 和 iForest 的周期性时间序列异常检测算法[J]. 计算机工程与科学, 2019,41(12):2217-2222.
|
[24] |
陈龙飞. 心电时间序列的表示和相似性度量方法的研究[D]. 哈尔滨:哈尔滨工业大学, 2016.
|
[25] |
BASSEVILLE M, NIKIFOROV I V. Detection of Abrupt Changes-Theory and Application[M]. Prentice Hall, 1993.
|
[26] |
BENGIO Y, SIMARD P, FRASCONI P. Learning long-term dependencies with gradient descent is difficult[J]. IEEE Transactions on Neural Networks, 1994,5(2):157-166.
|
[27] |
HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997,9(8):1735-1780.
|
[28] |
魏健,赵红涛,加鹤萍. 基于改进LSTM模型的短期车流量预测[J]. 科技创新与应用, 2021,11(12):25-27.
|
[29] |
KEOGH E, LIN J, FU A D. HOT SAX: Efficiently finding the most unusual time series subsequence[C]// The 5th IEEE International Conference on Data Mining (ICDM’05). 2005:226-233.
|