基于自步学习的刀具加工过程监测数据异常检测方法.pdf

第57 卷第10 期2023年10 月文章编号：10 0 6-2 4 6 7(2 0 2 3)10-134 6-0 9上海交通大学学报JOURNAL OF SHANGHAI JIAO TONG UNIVERSITYVol.57 No.10Oct.2023DOI:10.16183/ki.jsjtu.2022.234基于自步学习的刀具加工过程监测数据异常检测方法张建，胡小锋，张亚辉b（上海交通大学a.机械与动力工程学院；b.海洋装备研究院，上海2 0 0 2 4 0)摘要：针对零件加工过程的监控数据异常导致刀具剩余寿命预测准确性下降的问题，提出一种基于自步学习的数据异常检测方法.首先建立多层感知机模型关联刀具加工过程监测数据和所对应的刀具剩余寿命；其次在模型权重更新过程中，先固定模型权重参数，预测损失拟合高斯分布得到异常样本的损失阈值，然后构建基于自步学习方法的损失函数，选代更新模型参数.在模型训练结束后，根据损失阈值划分出异常样本，最后利用汽轮机转子轮槽的实际加工监测数据进行验证，并与局部异常因子算法、基于密度的聚类算法、K均值算法、孤立森林算法、一分类支持向量机等方法进行对比分析，验证本方法的有效性。关键词：刀具加工监测；数据质量；异常检测；自步学习中图分类号：TH166文献标志码：AAbnormal Detection Method of Tool Machining Monitoring DataBased on Self-Paced LearningZHANGJian,HUXiaofeng，ZH A NG Ya h u i b(a.School of Mechanical Engineering;b.Institute of Marine Equipment,Shanghai Jiao Tong University,Shanghai 200240,China)Abstract:Aimed at the problem that the accuracy of tool remaining life prediction was reduced due to theabnormal monitoring data in machining process,a data anomaly detection method based on self-pacedlearning was proposed.First,a multi-layer perceptron model was established to correlate the toolprocessing monitoring data with the tool remaining life.Next,in the process of updating model weight,the model weight parameters were fixed first,and the loss threshold of abnormal samples was obtained bypredicting loss fitting Gaussian distribution.Then,the loss function based on the self-paced learningmethod was constructed to update model parameters iteratively.At the end of the model training,abnormal samples were divided according to the loss threshold.Finally,the actual processing monitoringdata of turbine rotor groove were used to verify the proposed method,and compare with the local anomalyfactor algorithm,the density-based clustering algorithm,the K-means algorithm,the isolated forestalgorithm,and the one-class support vector machines.Key words:tool machining monitoring;data quality;anomaly detection;self-paced learning收稿日期：2 0 2 2-0 6-2 1修回日期：2 0 2 2-0 7-2 2 录用日期：2 0 2 2-0 9-0 8基金项目：国防基础科研计划项目（JCKY2021110B048），国家重点研发计划资助项目（2 0 18 YFB1700502）作者简介：张建（1997-），硕士生，现主要从事刀具磨损预测研究。通信作者：胡小锋，研究员，博士生导师，电话（Tel.）：0 2 1-34 2 0 56 94；E-m a i l：w s h x f s j t u.e d u.c n.第10 期高附加值零件需要进行过程监控来保证其加工质量，而加工过程监测数据在采集过程中由于传感器、采集和传输设备受环境影响大，导致数据中存在异常值.这些异常数据与真实数据有显著差异，而刀具加工监测异常数据直接影响刀具剩余寿命预测的准确性。数据异常检测算法主要分为有监督和无监督算法.其中监督或者半监督的方法通过带标签的正常数据和异常数据来训练分类模型.尚文利等2 利用堆叠自编码(SAE)神经网络对工艺数据进行特征降维，然后设计长短期记忆(LSTM)神经网络来进行异常检测.夏英等3 提出一种融合了新型统计方法和双向卷积LSTM异常检测方法，能够处理多维时序数据.孙滢涛等4 对电力数据时间序列进行多域特征提取，并采用相关向量机和支持向量数据描述进行特征选择降维和异常检测.傅世元等5提出一种基于元学习动态选择集成的电力调度数据异常检测方法.有监督的异常检测依赖于已知的异常样本，但在加工监控过程中，首先实际生产加工的零件型号、使用的刀具多变，有异常标签的数据样本难以获取，其次异常信号的来源复杂，无法获取完备的异常数据来训练异常检测模型。与有监督的算法不同，无监督异常检测方法从数据样本的统计规律6 和样本间的距离7 出发.吴蕊等8 结合数据对象的密集度与最大近邻半径，优化K-means初始聚类中心，在电力数据异常检测上取得了优异的效果.吴金娥等9 提出采用反向k近邻算法实现异常数据检测.陈砚桥等10 基于密度的聚类算法(DBSCAN)实现了多源数据异常检测.宋丽娜等11I将局部异常因子(LOF)算法与互补集成经验模态分解（CEEMD)法进行结合，识别监测数据的异常值.王峰等12 针对电力调度数据异常，提出基于对数区间隔离的检测方法.王燕晋等131基于孤立森林算法提出了一种电力用户数据异常快速识别方法.然而基于聚类的异常检测结果依赖聚类的效果14 .在实际加工监测过程中，采集的加工监测数据随刀具的剩余寿命减少而变化，导致正常和异常数据难以区分。针对刀具加工监测异常数据无标签和加工监测数据随刀具性能衰退而变化，考虑刀具加工剩余寿命因素，提出基于多层感知机模型的预测偏差来实现异常数据样本的检测.在多层感知机的训练过程中采用高斯分布来拟合训练样本损失，并融合自步学习框架来提升模型对正常样本的筛选能力.最终将异常筛选前后的数据用于铣刀剩余寿命预测中，张建，等：基于自步学习的刀具加工过程监测数据异常检测方法激活函数与下一层的输人进行关联.多层感知机模型的训练包含两个部分，分别是前向传递和反向传播.前向传递过程中，训练样本数据从输入层输入，通过一个或者多个全连接层，每两个神经元之间的参数包含一个权重，从而对输人的数据进行拟合，最后通过输出层将数据进行输出.反向传播过程则由输出值与样本的真实值构建损失函数，通过反向传播的梯度下降算法对模型的参数进行更新，当模型的损失函数降到最小值时，多层感知机模型就能够拟合样本特征.第I层到第J层神经元的前向传递和反向传播过程如下：1一1y;=(wjz.)i-0wj(t)=wj;(t-1)+w j,(t-1)=w;(t-1)-aw,(-T)式中：1表示第层神经元的个数；W表示第I层第i个神经元和第J层第i个神经元之间的权重；表示第I层第i个神经元的输入；y,表示第J层第个神经元的输人；9表示激活函数；t表示迭代次数；为梯度下降的学习率;e（t）为多层感知机的输出和真实值之间的损失函数，1.2自步学习Bengio于2 0 0 9年在国际机器学习会议（IC-ML)上首次提出课程学习15，即让模型先学习简单的知识，然后逐渐增加难度，过渡到更复杂的知识上去.而自步学习16 1在课程学习的基础上进行了改进，模型在每一步的迭代过程中来决定下一步学习的样本，传统机器学习方法的目标函数如下所示，要求出使得目标函数最小的权重值：m-w,=arg min(f(i,yi;w-1)0式中：为第i个样本；yi为第i个样本的标签值；w、W-1分别为第t和第t一1次迭代过程中模型的权重;m为样本个数.不同于传统的机器学习，自步学习在每一次的1347来验证异常数据检测的重要性和有效性。1相关技术1.1多层感知机多层感知机包含输人层、输出层以及多个隐藏层.相邻层之间的神经元节点进行全连接，即上一层的每个神经元都与下一层的所有神经元连接，同时同一层的神经元节点没有连接.前一层的输出通过(1)de(t)(2)(3)1348迭代过程中会倾向于从所有样本中选择具有较小训练误差的样本，然后更新模型参数.因此在每一次的迭代过程中，并不是所有的样本都参与了模型参数的更新.自步学习在传统机器学习的目标函数中引人了二分变量；，该变量用于表征每个样本是否被选择参与训练，其目标函数改写为W,U=m-1arg min(uif(ai,yi;wi)-.)i0式中：入为样本难易程度的筛选阈值。当损失值f(ai，y i；w-）入时，u;取l,而当损失值f(ai,yi；W-1）入时，;取0.自步学习中入的选取往往需要人为给定，本文通过高斯分布来拟合训练样本的误差，从而自适应地选取入，将高于阈值的样本作为异常样本。2高融合高斯分布和自步学习的多维数据异常检测2.1异常检测模型建立刀具的性能状态需通过加工监测信号间接反映，并且随着刀具的磨损程度增加刀具的剩余寿命会降低17 .首先针对刀具监测信号无异常数据标签问题，将监测信号和刀具剩余寿命进行关联，建立多层感知机模型对两者进行拟合，以监测信号为输入，以刀具剩余寿命为输出.加工过程的异常数据受外界干扰与真实数据存在差异，无法反映刀具加工过程的真实状态，剩余寿命的预测误差会大于正常数据.其次，采用全量样本训练多层感知机模型会引人异常样本，因此，在多层感知机模型每一步的训练迭代过待检测数据集上海交通大学学报程中，引入自步学习框架，选择预测误差小的样本来更新模型权重，防止异常样本的干扰.针对自步学习的步长大小难以确定的问题，提出利用高斯分布来设置误差阈值作为自步学习的步长.最后，模型收敛后，利用最后一次计算的误差阈值以及更新完成的多层感知机模型来对所有样本进行筛选.图1展示了异常检测方法的流程。m-1多层感知机的实现包含输入层、两个隐藏层以(4)i=0第57 卷及输出层,每一层之间通过激活函数相连.其中第1个隐藏层、第2 个隐藏层的输出通过ReLU激活函数连接，输出层后连接Sigmoid激活函数，最终输出刀具的剩余寿命值.为了防止模型过拟合，在第1个隐藏层后连接一个LayerNorm正则化层.剩余寿命预测模型各层结构如图2 所示.模型的损失函数为均方差函数：1eMSEm-0式中：yi、y、J分别为真实的磨损、预测的磨损、真实磨损的平均值。模型送代过程中主要包括两个部分：（1）误差阈值计算.将所有样本通过异常检测模型预测的剩余寿命与真实值比较，基于高斯分布拟合误差分布，进而获取误差阈值，作为自步学习的步长参数.（2）自适应训练.使用误差阈值计算得到的结果代人自步学习的入参数中，建立自步学习损失函数，通过梯度下降算法对模型进行权重更新，学习正常样本的数据特征。最后当训练迭代结束时，以最后一次迭代得到的误差阈值为标准，将样本划分为正常样本和异常前两步迭代t次后m-1(5)自步学习损失函数构建剩余寿命拟合模型计算剩余寿命预测误差高斯分布拟合入误差阅值计算Fig.1 Iterative flow chart of anomaly detection model查找异常样本预测误差剩余寿命拟合模型是否大于()Y计算剩余寿命预测误差输出异常样本1权重更新1一一J图1异常检测模型迭代流程图N输出正常样本1自适应训练异常样本筛选第10 期张建，等：基于自步学习的刀具加工过程监测数据异常检测方法1349LayerNorm刀具加工正则化层监测数据ReLU激活函数ReLU激活函数刀具剩余寿命Sigmoid激活函数输入层图2 剩余寿命预测网络模型结构Fig.2Model structure of residual life prediction network样本.2.2模型训练过程2.2.1基于高斯分布的误差阈值计算剩余寿命预测模型回归加工监测数据的特征，通过式(5)计算得到预测值和真实值的误差的平方数来衡量回归精度，理想情况下加工监测数据经过剩余寿命预测模型计算后得到的误差为0，但数据样本的质量问题使得模型始终存在一定的误差.误差越大发生的概率越小，误差越小发生的概率越大，且对于大部分正常样本，其误差维持在一个较小的水平.选择高斯分布来映射预测误差平方和数据的准确率,高斯分布定义随机变量X服从一个数学期望为u、方差为的正态分布，记为N(u，）.高斯分布概率密度函数p()为p()误差平方越接近0 时数据的分散程度越小，映射后的数据正常的概率越大.为了满足映射关系取高斯分布概率密度函数对称轴的右半轴为实际的映射对象.其中期望大小为0，标准差通过样本标准差s来估计：工S=Vm一i-0k=3s式中：e;为第i个样本预测值和真实值的平方误差；为所有样本预测值和真实值的平方误差的均值;k为误差阈值.针对以上误差分布规律，常用3统计量来进行粗差探测18-19 1，即取3s作为误差阈值k，用作后续自步学习的步长参数入。2.2.2基于自步学习的自适应训练方法建立其优化函数如下：隐藏层到的k，表示样本难易程度的筛选阈值.训练过程主要分为两步,第1步是值的计算，第2 步是值的更新.值的计算需要先固定w权重值，通过对比预测误差和入的关系进行确定，当样本通过剩余寿命预测模型后得到误差小于入时，上述优化函数取 二1时达到最小.最终可以得到每个数据样本对应的值.=0 则该样本不参与训练，=1则该样本参与训练：u=0,f(i,yi;w-1)入)u=l,f(i,yi;w-i)入)1()2V211。22m-1（(e;一)2隐藏层输出层m-1arg min(2f(ai,yr;w1)-u.)i-0自步学习的步长大小记为入，等于式（7）计算得(9)同理，W权重的更新过程需要固定值，采用梯(6)度下降法进行更新：m-1i0w,=W-1-当完成t次迭代训练后，取入，作为误差筛选阈值k，将所有样本的预测误差与k进行对比，大于等于k的样本归为异常样本，结合上述融合高斯分布(7)的误差阈值的自步学习迭代过程得到算法如下。算法基于自步学习的刀具加工过程监测数据异常检测算法。输入待检测的样本集D(ai,y,),1im训练迭代次数epochs，学习率，样本批次大小batch-size，多层感知机模型M(w,b)，样本权重向量V.输出多层感知机模型M(w,b)和误差阈值k.步骤1阝随机初始化网络权重、6 和样本权重V=m-1i-0(8)(10)1350Im;步骤2foreach t in epochs do;步骤3建立误差集合E(e），1i m；步骤4foreach(ai,yi)in D do;步骤5多层感知机模型前馈计算，得到预测值；步骤6计算误差ei,加人E：e（y,一yi)；步骤7end;步骤8根据高斯分布计算误差阈值：1k=入=312(e;-)2;Vm一步骤9 foreach batch(ai,y,)in D do;步骤10 多层感知机模型前馈计算，得到预测值batch(y,);步骤11计算误差batch(e;);步骤12固定模型权重，更新样本权重Vbatch；步骤13if ei入的样本数量渐渐稳定.最终选取训练结束后，将eRSME1.2231.3651.3651.3651.2021.304.0RMSE1.2231.3651.3651.1221.3650.9651.2021.0691.3040.0670.07528.194MAE1.3151.4241.424.1.4591.4241.4092异常样本异常样本数量/个编号310,43,10739.10.1139.10.1139,10、11310.11,12RSME1.5721.6301.6301.6741.6301.627 21352上海交通大学学报第57 卷139.00.7MSE0.6-一m10.50.3F0.20.1F与此时入进行比较来确定异常样本，为了对照所提出的异常检测模型的有效性，选取了其他5种异常检测算法.局部异常因子(LOF)算法是一种基于密度的异常检测算法，通过计算数据样本周围样本的局部密度以及自身所在位置的密度来衡量样本的异常程度.DBSCAN是一种基于密度的聚类算法，可以在数据空间中发现噪声点.孤立森林根据数据点被孤立的难易程度将噪声点和正常点进行区分.K均值法是应用广泛的基于距离的聚类算法.一分类支持向量机(One-Class SVM)与本文方法均为基于分类的异常检测方法14，其利用核函数将数据样本拟合到一个超平面上，远离超平面上的样本为异常样本.此外增加了随机抽样方法，随机选取3个样本作为异常样本，其余作为正常样本，与本文方法进行对比.不同的方法对比结果如表4所示.分别从4个指标维度进行比较，分别是测试集的MAE、R M SE、M A E相较于全量训练集得到的提升比例（MAE）、R M SE相较于全量训练得到的提升比例(RMSE.本文方法获得的测试集预测结果平均值在MAE上的提升比例为2 6.2 8%，在RMSE上提升比例为2 8.19%，优于其他方法的结果.在其他的异常检测算法中,LOF取得了次优的结果,在 MAE和RMSE上的提升比例分别为15.9 3%和18.17%,LOF能通过衡量样本间的聚集程度来判断离群点，鲁棒性较好.孤立森林的提升比例与LOF方法近似，在MAE和RMSE上的提升比例分138.5138.0137.5137.0136.5136.0135.5135.0100200图4异常检测方法的训练过程Fig.4Training process of anomaly detection method别为12.9 0%和15.9 1%.One-Class SVM在MAE和RMSE上的提升比例分别为11.7 2%和11.62%，差于前3种方法.两种基于聚类的方法得到的MAE提升比例和RMSE提升比例均为负数.聚类算法受限于聚类结果，而刀具加工过程监测数据受刀具性能衰退而变化，因此基于聚类的异常检测方法难以准确区分正常和异常样本.随机采样法是样本选择中一个比较常见的方法，该方法便于操作，但不同的随机采样过程得到的结果差异很大.从表中结果看到，随机采样的MAE和RMSE的标准差分别达到了0.32 7 和0.456.图5直观地显示了各个算法在测试集上指标的提升比例.表4不同异常检测算法对比结果Tab.4Comparison results of different anomaly detectionalgorithmsRMSE/方法MAE未筛选1.45本文方法1.0690.0671.3040.075LOF1.219DBSCAN1.693孤立森林1.263K均值1.844One-Class1.28SVM随机采样1.4850.327300t400500RMSE1.8161.4862.1371.5272.2151.6051.8770.456MAE/%26.2828.1915.9318.17-16.76-17.6812.9015.9127.17-21.9711.7211.62-2.413.37%第10 期张建，等：基于自步学习的刀具加工过程监测数据异常检测方法403026.282010135328.19MAERMSE18.1715.9315.9112.9011.72.11.620-10-20-30本文方法图5测试集预测结果在不同异常检测算法应用前后提升比例Fig.5 Optimized percentage of test set prediction results before and after application of different a-nomaly detection algorithms4结语本文面向刀具加工过程监测，基于高斯分布和自步学习框架提出一种数据异常检测方法.利用多层感知机模型学习监测数据样本的整体特征，分离监测数据集中的异常数据.在模型的更新过程中，用模型预测误差来拟合高斯分布，并设定误差阈值，同时结合自步学习框架，优选高质量数据样本参与权重的更新.最终训练结束后通过多层感知机模型的预测误差有效检测异常数据样本。通过与多种异常检测算法的对比实验可见，融合高斯分布和自步学习框架的数据异常检测方法能够有效地区分加工监测数据中的异常样本.多层感知机模型通过高斯分布计算样本误差阈值，与自步学习框架结合，针对性地选取样本对模型权重进行更新，保证模型具备对异常样本的判别能力.综合上述分析和实验结论，本文所提出的面向刀具加工监测数据的异常检测方法相比其他方法能更适用于刀具加工监测数据样本的异常检测.参考文献：1 孙宇电力设备监测数据处理和数据库设计D浙江：浙江大学，2 0 2 2.SUN Yu.Data processing and database design ofpower equipment monitoring D.Zhejiang:ZhejiangUniversity,2022.2 尚文利，石贺，赵剑明，等基于SAE-LSTM的工2.41-3.37-16.7617.68-21.97-27.17LOFDBSCAN不同异常检测算法艺数据异常检测方法J电子学报，2 0 2 1，49（8）：1561-1568.SHANG Wenli,SHI He,ZHAO Jianming,et al.An anomaly detection method of process data basedon SAE-LSTMJJ.Acta Electronica Sinica,2021,49(8):1561-1568.3夏英，韩星雨融合统计方法和双向卷积LSTM的多维时序数据异常检测.计算机应用研究，2 0 2 2，39(5)1362-1367.XIA Ying,HAN Xingyu.Multi-dimensional time se-ries data anomaly detection fusing statistical methodsand bidirectional convolutional LSTMJ.ApplicationResearch of Computers,2022,39(5):1362-1367.4孙滢涛，张锋明，陈水标，等。基于多域特征提取的电力数据异常检测方法 电力系统及其自动化学报，2 0 2 2，34(6)：10 5-113.SUN Yingtao,ZHANG Fengming,CHEN Shuibiao,et al.Power data anomaly detection algorithm basedon multi-domain feature extractionJ.Proceedings ofthe CSU-EPSA,2022,34(6):105-113.5假傅世元，高欣，张浩，等基于元学习动态选择集成的电力调度数据异常检测方法J电网技术，2 0 2 2，46(8):3248-3261.FU Shiyuan,GAO Xin,ZHANG Hao,et al.Anom-aly detection for power dispatching data based on me-ta-learning dynamic ensemble selection J.PowerSystem Technology,2022,46(8):3248-3261.6 刘鑫.无监督异常检测方法研究及其应用D成都：电子科技大学，2 0 18.LIU Xin.Research on unsupervised anomaly detec-孤立森林K均值One-Class SVM随机采样1354tion algorithm and applicationDJ.Chengdu:Univer-sity of Electronic Science and Technology of China,2018.7J DUH,ZHAO S,ZHANG D,et al.Novel cluste-ring-based approach for local outlier detectionCJ/International Conference on Computer CommunicationsWorkshops.San Francisco,CA,USA:IEEE,2016:802-811.8 吴蕊，张安勤，田秀霞，等基于改进K-means的电力数据异常检测算法J华东师范大学学报（自然科学版），2 0 2 0（4）：7 9-8 7.WU Rui,ZHANG Anqin,TIAN Xiuxia,et al.Anomaly detection algorithm based on improved K-means for electric power dataJ.Journal of East Chi-na Normal University(Natural Science),2020(4):79-87.9 吴金娥，王若愚，段倩倩，等基于反向近邻过滤异常的群数据异常检测J上海交通大学学报，2021,55(5)：59 8-6 0 6.WU Jine,WANG Ruoyu,DUAN Qianqian,et al.Collective data anomaly detection based on reverse k-nearest neighbor filtering J.Journal of ShanghaiJiao Tong University,2021,55(5):598-606.10陈砚桥，孙彤，张侨禹基于DBSCAN的智能机舱多源数据异常检测方法J.舰船科学技术，2 0 2 1，43(17):156-160.CHEN Yanqiao,SUN Tong,ZHANG Qiaoyu.In-telligent engine room multi-source data detectingmethod based on DBSCAN cluster algorithmJJ.ShipScience and Technology,2021,43(17):156-160.11宋丽娜，刘淼，秦韬，等.基于LOF与CEEMD的城镇取用水监测数据异常值识别 水利信息化，2022(2)：33-40.SONG Lina,LIU Miao,QIN Tao,et al.Outlieridentification of urban water intake monitoring databased on LOF and CEEMDJJ.Water Resources In-formatization,2022(2):33-40.12王锋，高欣，贾欣，等。一种基于对数区间隔离森林的电力调度数据异常检测集成算法电网技术，2021，45(12)：48 18-48 2 7.WANG Feng,GAO Xin,JIA Xin,et al.An anoma-ly detection ensemble algorithm for power dispatchingdata based on log-interval isolationJJ.Power SystemTechnology,2021,45(12)：48 18-48 2 7.13王燕晋，易忠林，郑思达，等基于孤立森林算法的电力用户数据异常快速识别研究电子设计工程，2 0 2 2，30(3)：11-14.WANG Yanjin,YI Zhonglin,ZHENG Sida,et al.Research on fast identification of power user data ab-上海交通大学学报normal based on isolation forest algorithmLJ.Elec-tronic Design Engineering,2022,30(3):11-14.14卓琳，赵厚宇，詹思延异常检测方法及其应用综述J.计算机应用研究，2 0 2 0，37（Sup.1)：9-15.ZHUO Lin,ZHAO Houyu,ZHAN Siyan.Anomalydetection and its applicationJ.Application Researchof Computers,2020,37(Sup.1):9-15.15 1BENGIO Y,LOURADOUR J,COLLOBERT R,etal.Curriculum learningCJ/Proceedings of the 26thAnnual International Conference on Machine Learn-ing.New York,NY,USA:Association for Compu-ting Machinery,2009:41-48.16KUMAR M P,PACKER B,KOLLER D.Self-pacedlearning for latent variable modelsC/Proceedingsof the 23rd International Conference on Neural Infor-mation Processing Systems-Volume 1.Red Hook,NY,USA:Curran Associates Inc.,2010:1189-1197.17王艺玮，邓蕾，郑联语，等基于多通道融合及贝叶斯理论的刀具剩余寿命预测方法机械工程学报，2 0 2 1，57(13）：2 14-2 2 4.WANG Yiwei,DENG Lei,ZHENG Lianyu,et al.A multi-channel signal fusion and Bayesian theorybased method for tool remaining useful life predictionJJ.Journal of Mechanical Engineering,2021,57(13):214-224.18吴浩，卢楠，邹进贵，等GNSS变形监测时间序列的改进型3。粗差探测方法J武汉大学学报（信息科学版），2 0 19，44（9）：12 8 2-12 8 8.WU Hao,LU Nan,ZOU Jingui,et al.An improved3o gross error detection method for GNSS deforma-tion monitoring time seriesJ.Geomatics and Infor-mation Science of Wuhan University,2019,44(9):1282-1288.19徐洪钟，吴中如，李雪红，等基于小波分析的大坝变形观测数据的趋势分量提取武汉大学学报（工学版），2 0 0 3(6)：5-8.XU Hongzhong,WU Zhongru,LI Xuehong,et al.Abstracting trend component of dam observation databased on wavelet analysisJJ.Engineering Journal ofWuhanUniversity,2003(6):5-8.20党英，吉卫喜，陆家辉，等基于深度学习的铣刀剩余寿命预测方法研究J.现代制造工程，2 0 2 1（12）：79-87.DANG Ying,JI Weixi,LU Jiahui,et al.Researchon prediction method of remaining useful life of mill-ing cutter based on deep learningJ.Modern Manu-facturing Engineering,2021(12):79-87.(本文编辑：王一凡)第57 卷