拍频工况下不误报
融合Inception、LSTM与残差结构的深度网络，能同时识别稳定加工、拍频颤振和无拍频颤振三种状态，解决现有方法在拍频干扰下检测失效的问题。
Sun, Yuxin · He, Jianliang · 马海峰 · Xiaolong, Yang · Zhenhua, Xiong · Xiangyang, Zhu · 王雨淋
Mechanical Systems and Signal Processing 2023
网络显式建模拍频效应，通过双分支特征提取区分拍频颤振和无拍频颤振，避免将拍频误判为稳定或无拍频颤振。
Inception模块中多个不同尺寸的卷积核并行处理FFT频谱，自动捕获与颤振相关的多尺度频域特征，无需人工设计特征。
两层的LSTM从原始切削力信号中直接学习颤振发展的时间动态，比固定窗口的统计特征更能捕捉演变过程。
特征拼接后引入残差网络连接，缓解深层网络训练中的梯度消失，使模型能够有效加深并保持稳定收敛。