时间：2026-05-30 浏览：
我院会计学专业教师陈晓琴博士为第一作者的论文《Symmetrized dot pattern enhanced cross-attention DDPM method for tool condition monitoring》在SCI四区期刊《AIP Advances》上于2025年Volume 15, Issue 11发表。
文章介绍：
在实际机加工管理过程中，刀具状态监测面临标记样本量有限、难以获取有效数据的困境，导致传统深度学习模型监测精度低、泛化能力不足。对此，本研究从数据增强和模型优化的角度提出创新解决方案。首先，采用对称点模式方法将一维传感信号转换为特征信息更为丰富的二维SDP图像信号，显著提升了噪声环境下原始信号数据的深度特征提取能力。其次，改进了去噪扩散概率模型正向过程中的噪声添加算法，并在U-Net网络中引入交叉注意力机制，从而在小样本条件下生成高质量的伪样本。将生成的伪样本与原始SDP图像样本混合后输入ResNet18网络进行训练。在刀具状态监测实验中，该方法对刀具状态的小样本识别准确率达到了96.4%。本研究融合了扩散模型强大的样本生成能力与ResNet卓越的分类性能，有效解决了小样本条件下刀具状态监测准确率低和模型泛化能力不足的问题。
期刊简介：
《AIP Advances》是由美国物理联合会出版的综合性期刊（ISSN: 2158-3226），创刊于2011年，涵盖物理学领域的应用、理论和实验研究。该刊被SCIE收录，影响因子为1.4。
原文网址：
https://pubs.aip.org/aip/adv/article/15/11/115204/3370649/Symmetrized-dot-pattern-enhanced-cross-attention
