分数阶卷积网络

参数少42%

首个分数阶卷积神经网络，用于车削颤振诊断，比同类CNN参数少42.3%且精度更高。

Ping-Huan, Kuo · Yung-Ruen, Tseng · Luan, Po Chien · Yau, Herterng

Nonlinear Dynamics 2023

参数信息

训练集大小

60

准确率

94.8 %

精确率

99.62 %

参数减少

42.3 %

准确率提升

3.8 %

技术优势

60组数据即可训练

混沌误差映射通过混沌系统在三维空间中的吸引子特性，将高度变异的颤振数据转换为同类间一致的输出，大幅降低对训练数据量的要求。

参数少42.3%

通过分数阶计算改进卷积神经网络，在相近训练条件下可训练参数比传统CNN减少42.3%，同时准确率提升3.8%，降低了对算力和存储的需求。

行业首例

本文首次提出将分数阶卷积神经网络用于颤振检测，为加工过程监测引入新的网络架构方向。

应用场景

• 机床颤振监测：在加工现场用少量数据快速训练颤振诊断模型，避免大量数据采集。
• 加工过程诊断：用分数阶CNN以更少参数提升诊断精度，适合资源受限的加工环境。
• 工业异常检测：混沌误差映射将变异信号一致化，可迁移到工业异常检测中降低训练样本需求。