基于Mixup数据增强的CNN-GRU深度学习电火花线切割放电状态识别
叶之骞，钟紫鹏，邓永聪，张永俊，苏国康
（广东工业大学 机电工程学院，广东 广州 510000）
摘要：针对电火花线切割放电状态识别中，数据集样本较少导致训练模型准确率不高的问题，提出基于Mixup数据增强的CNN-GRU网络算法。该算法首先使用Mixup数据增强对原始的电火花波形数据进行数据增强，通过线性插值对数据进行混合，得到新的扩容之后的数据集；随后使用增强的数据集训练CNN-GRU模型，并用该模型进行分类。经实验表明，使用Mixup数据增强的CNN-GRU模型能有效的识别出数据中的“时序特征”与“局部特征”，且模型的准确率达到了96%。
关键词：电火花线切割；放电状态识别；数据增强；神经网络
中图分类号：TH164；TP181 文献标志码：A doi：10.3969/j.issn.1006-0316.2023.009.002
文章编号：1006-0316 (2023) 09-0008-08
CNN-GRU Deep Learning WEDM Discharge State Recognition Based on Mixup Data Enhancement
YE Zhiqian，ZHONG Zipeng，DENG Yongcong，ZHANG Yongjun，SU Guokang
( School of Electromechanical Engineering, Guangdong University of Technology, Guangzhou 510000, China )
Abstract：In order to solve the problem of low accuracy of training models due to small sample data in the recognition of discharge state of WEDM, a CNN-GRU network algorithm based on Mixup data enhancement is proposed. In this algorithm, the original EDM waveform data is enhanced by Mixup data enhancement, and the data is mixed by linear interpolation to obtain a new expanded data set. The CNN-GRU model is then trained using the enhanced data set, and the model is used for classification. The experiment show that the CNN-GRU model trained by Mixup data enhancement can effectively identify the "temporal features" and "local features" of the data, and the accuracy of the model reaches 96%.
Key words：WEDM；discharge state recognition；data enhancement；neural network
———————————————
收稿日期：2023-03-13
基金项目：国家自然科学基金面上项目（51275098）
作者简介：叶之骞（1996－），男，江苏苏州人，硕士研究生，主要研究方向为特种加工工艺及设备的研发，E-mail：yzqyzqyzq1996@qq.com。
*通讯作者：苏国康（1994－），男，广东云浮人，博士研究生，主要研究方向为特种加工工艺研究及装备，E-mail：su_guokang@163.com。
（广东工业大学 机电工程学院，广东 广州 510000）
摘要：针对电火花线切割放电状态识别中，数据集样本较少导致训练模型准确率不高的问题，提出基于Mixup数据增强的CNN-GRU网络算法。该算法首先使用Mixup数据增强对原始的电火花波形数据进行数据增强，通过线性插值对数据进行混合，得到新的扩容之后的数据集；随后使用增强的数据集训练CNN-GRU模型，并用该模型进行分类。经实验表明，使用Mixup数据增强的CNN-GRU模型能有效的识别出数据中的“时序特征”与“局部特征”，且模型的准确率达到了96%。
关键词：电火花线切割；放电状态识别；数据增强；神经网络
中图分类号：TH164；TP181 文献标志码：A doi：10.3969/j.issn.1006-0316.2023.009.002
文章编号：1006-0316 (2023) 09-0008-08
CNN-GRU Deep Learning WEDM Discharge State Recognition Based on Mixup Data Enhancement
YE Zhiqian，ZHONG Zipeng，DENG Yongcong，ZHANG Yongjun，SU Guokang
( School of Electromechanical Engineering, Guangdong University of Technology, Guangzhou 510000, China )
Abstract：In order to solve the problem of low accuracy of training models due to small sample data in the recognition of discharge state of WEDM, a CNN-GRU network algorithm based on Mixup data enhancement is proposed. In this algorithm, the original EDM waveform data is enhanced by Mixup data enhancement, and the data is mixed by linear interpolation to obtain a new expanded data set. The CNN-GRU model is then trained using the enhanced data set, and the model is used for classification. The experiment show that the CNN-GRU model trained by Mixup data enhancement can effectively identify the "temporal features" and "local features" of the data, and the accuracy of the model reaches 96%.
Key words：WEDM；discharge state recognition；data enhancement；neural network
———————————————
收稿日期：2023-03-13
基金项目：国家自然科学基金面上项目（51275098）
作者简介：叶之骞（1996－），男，江苏苏州人，硕士研究生，主要研究方向为特种加工工艺及设备的研发，E-mail：yzqyzqyzq1996@qq.com。
*通讯作者：苏国康（1994－），男，广东云浮人，博士研究生，主要研究方向为特种加工工艺研究及装备，E-mail：su_guokang@163.com。
- 上一篇：螺旋焊管内防腐涂覆设备的设计
- 下一篇：类方形蜂窝夹芯胞元尺寸的等效力学性能与优化
设为首页 | 加入收藏 | 免责条款
《机械》杂志版权所有 Copyright©2008-2012 Jixiezazhi.com All Rights Reserved
电话：028-85925070 传真：028-85925073 E-mail：jixie@vip.163.com
地址：四川省成都锦江工业开发区墨香路48号 邮编：610063
Powered by PageAdmin CMS