针对现有冲压件制品缺陷检测方法准确率低的问题,分析深度学习的原理与方法,以VGG13网络为基准模型,通过在特征提取层之后增加CBAM模块进行改进,提出5种基于VGG13与CBAM注意力机制模块相结合的网络模型(VGG13-CBAM),将改进后的新模型与改进前原VGG13模型分别在武汉某制造车间采集的冲压件缺陷数据集上进行实验研究。将数据集以6∶2∶2划分为训练集、验证集、测试集,并使用数据增强进一步扩充训练集,增加模型泛化性能,对比数据增强前后效果的提升。实验结果表明:在改进后的VGG13-CBAM03网络与VGG13-CBAM04网络上效果明显提升,测试集正确率由79.65%分别提高到了81.55%和81.40%,在使用数据增强对训练集进行扩充后,测试集正确率分别达到84.25%和84.15%,有效提升了冲压件缺陷检测准确率。

为降低实验模型构建和参数配置的复杂性,提出一种基于改进工作流的故障预测系统,以可视化的方式设计、配置、执行和部署故障预测实验。该平台不仅能够使专家更容易地使用各种故障预测算法和预测工具,而且能够使不具有算法基础和经验的非专家也参与到实验模型的构建中。通过某表干炉设备的故障预测实验,验证了该系统架构设计的可行性。