-
公开(公告)号：CN111136509B
公开(公告)日：2021-06-08
申请号：CN202010027781.9
申请日：2020-01-10
Applicant: 大连理工大学
IPC: B23Q17/09
Abstract: 本发明属于刀具状态监测技术领域，提供了一种基于ELM‑SDAE算法的刀具状态监测方法，先通过三向加速度传感器采集加工过程中的振动信号；再采用线性插值的方法对缺失值进行插补，采用朴素随机欠采样和添加白噪声的方法，对数据进行平衡处理，将振动信号进行矢量叠加获取主振动方向的有效值；接着构建ELM‑SDAE网络，采用贪婪逐层方法对网络模型进行训练；最后将实际加工过程中的实时振动经数据预处理后输入ELM‑SDAE网络中，网络输出刀具的当前状态，实现刀具状态的实时监测。本方法减少人工和专家经验的参与，避免训练过程可能陷入局部最优、学习率慢等能导致模型训练失败和泛化能力不足的情况，大幅度缩减网络的训练时间。
-
公开(公告)号：CN109783975A
公开(公告)日：2019-05-21
申请号：CN201910099627.X
申请日：2019-01-31
Applicant: 大连理工大学
Abstract: 本发明提供了基于热误差和温升加权的丝杠预紧量确定方法，属于数控机床装配领域。首先在丝杠的不同预紧状态下，进行典型工况下的进给轴热行为试验，获取丝杠在各种预紧状态下的最大热误差和关键温度测点的温升；然后，建立丝杠预紧量与最大热误差和关键温度测点温升的数学模型；最后，以最大热误差和各温度测点温升的加权函数为目标函数进行优化，得出丝杠的最优预紧量。该方法综合考虑进给轴的热误差和关键点温升确定丝杠的最优预紧量，解决了目前基于经验的丝杠预紧方法难以达到最优效果的问题，可以提高机床的加工精度和精度稳定性，并确保轴承等运动部件的使用寿命。
-
公开(公告)号：CN113103068B
公开(公告)日：2022-03-29
申请号：CN202110416755.X
申请日：2021-04-19
Applicant: 大连理工大学
IPC: B23Q17/09
Abstract: 本发明属于加工状态监测领域，一种基于深度迁移学习的刀具状态监测方法。步骤如下：首先，通过两个三相加速度传感器和一个传声器采集加工过程中的振动信号与噪声信号；然后，对数据进行快速傅里叶变换，再采用Adasyn自适应合成采样算法解决数据集的不平衡问题；随后，构建深度置信网络，利用有标签的第一台机床数据训练刀具状态监测模型；最后，利用无标签的第二台机床数据实现模型的微调，首先共享源域模型与目标域模型的结构与权重，再引入多核最大均值差异衡量并缩小源域数据与目标域数据在隐藏层最顶层的距离。本发明所用的基于深度迁移学习的刀具状态监测方法迁移效果良好，省去了数据采集与标签划分的工作，降低了加工状态监测成本。
-
公开(公告)号：CN111037365B
公开(公告)日：2021-08-20
申请号：CN201911361333.6
申请日：2019-12-26
Applicant: 大连理工大学
IPC: B23Q17/09
Abstract: 本发明提供了一种基于生成式对抗网络的刀具状态监测数据集增强方法，属于机械加工状态监测技术领域。首先，采用传感器采集系统获取刀具切削过程中的振动和声音信号；其次，将服从先验分布的噪声数据输入到生成器生成数据，并将生成数据和采集的真实样本数据输入到鉴别器进行鉴别，生成器和鉴别器两者之间进行对抗训练，直到训练完成；然后，利用训练好的生成器生成样本数据，并判断生成的样本数据和真实的刀具状态样本数据的分布是否相似；最后，结合深度学习网络模型预测刀具状态的准确性检验生成数据的可用性。该方法的最大优点能够增强刀具状态数据集，提高深度学习网络模型预测刀具状态的准确性。
-
公开(公告)号：CN110968038B
公开(公告)日：2020-11-03
申请号：CN201911308984.9
申请日：2019-12-18
Applicant: 大连理工大学
IPC: G05B19/4065
Abstract: 一种基于数字孪生的数控机床进给轴热误差监测方法，步骤如下：基于三维建模软件和MATLAB脚本语言创建实体数控机床进给轴的虚拟数字化模型；基于MATLAB脚本语言和Simulink创建驱动数据采集模块，从数控系统获取几何模型驱动数据；基于Simulink创建热误差数据采集模块，获取热误差预测数据；基于Simulink将以上各模块通过数据输入输出接口连接，搭建起进给轴数字孪生体模型，实现进给轴热误差三维实时呈现；基于MATLAB脚本语言和Simulink创建面向用户的交互界面。该方法可实现机床进给轴热误差监测由数据化展现向视觉化呈现，为数字孪生技术在数控机床热误差监测领域的应用提供具体实施方法。
-
Patent Agency Ranking
公开(公告)号：CN110488754B
公开(公告)日：2020-07-14
申请号：CN201910732917.3
申请日：2019-08-09
Applicant: 大连理工大学
IPC: G05B19/408 , G06N3/08
Abstract: 本发明属于数控加工技术领域，公开了一种基于GA‑BP神经网络算法的机床自适应控制方法，通过对工件数控加工过程中主轴电机功率信号以及主轴振动信号的实时监测，并基于主轴功率信号和振动信号对进给速度和主轴转速进行实时优化和自适应调整；整个信号采集过程不影响正常的加工进行。基于神经网络算法的机床自适应控制方法能有效地提高加工效率和加工质量，且能延长刀具和机床的使用寿命，降低成本。
-
公开(公告)号：CN109656198B
公开(公告)日：2020-05-19
申请号：CN201910099610.4
申请日：2019-01-31
Applicant: 大连理工大学
IPC: G05B19/404
Abstract: 本发明提供了一种进给轴热误差自适应补偿方法，属于数控机床误差补偿领域。首先基于激光干涉仪和温度传感器进行进给轴热误差测试；接着基于进给轴热误差机理，建立热误差预测模型，并根据热误差测试数据对模型中热特性参数进行辨识；之后在不同螺母预紧状态下，进行自适应热误差预测模型参数辨识测试；接着在进给轴热误差预测模型基础上建立自适应预测模型，并对该测模型中的参数进行辨识；最后基于进给轴热误差自适应预测模型进行热误差的自适应补偿。该方法的最大优点在于，可根据机床当前状态自适应调整热误差预测模型中的热特性参数，实现了自适应实时补偿，使机床在各种工况下以及长期使用磨损后仍能保持较好的加工精度和精度稳定性。
-
公开(公告)号：CN111037365A
公开(公告)日：2020-04-21
申请号：CN201911361333.6
申请日：2019-12-26
Applicant: 大连理工大学
IPC: B23Q17/09
Abstract: 本发明提供了一种基于生成式对抗网络的刀具状态监测数据集增强方法，属于机械加工状态监测技术领域。首先，采用传感器采集系统获取刀具切削过程中的振动和声音信号；其次，将服从先验分布的噪声数据输入到生成器生成数据，并将生成数据和采集的真实样本数据输入到鉴别器进行鉴别，生成器和鉴别器两者之间进行对抗训练，直到训练完成；然后，利用训练好的生成器生成样本数据，并判断生成的样本数据和真实的刀具状态样本数据的分布是否相似；最后，结合深度学习网络模型预测刀具状态的准确性检验生成数据的可用性。该方法的最大优点能够增强刀具状态数据集，提高深度学习网络模型预测刀具状态的准确性。
-
公开(公告)号：CN110576336A
公开(公告)日：2019-12-17
申请号：CN201910855267.1
申请日：2019-09-11
Applicant: 大连理工大学
IPC: B23Q17/09
Abstract: 本发明提供基于SSAE-LSTM模型的深孔加工刀具磨损量监测方法，属于刀具磨损状态监测技术领域。先在深孔加工机床的两个刀杆保持架轴瓦外部分别安装两个三向加速度传感器，在深孔工件加工入口处安装传声器，采集加工过程中的刀杆振动和切削声音数据；然后利用采集到的数据对堆叠自编码器进行贪婪逐层训练，用训练好的堆叠自编码器对数据进行特征选择，得到精简后的数据；再用精简后的数据对长短时记忆网络进行训练，如果训练预测误差低于设定的δ值，则模型可用于刀具磨损量预测；在实时监测时，将实时的振动和声音数据输入训练好的堆叠自编码器和长短时记忆网络中，网络输出刀具的磨损量。该方法可实现深孔加工过程中刀具磨损量的监测。
-
公开(公告)号：CN111177911B
公开(公告)日：2022-09-20
申请号：CN201911346390.7
申请日：2019-12-24
Applicant: 大连理工大学
IPC: G06F30/20 , G06F111/10
Abstract: 一种基于SDAE‑DBN算法的零件表面粗糙度在线预测方法，首先将三向加速度传感器通过磁座吸附在机床主轴后轴承处，在被加工零件左前方放置传声器，采集机床切削过程的振动和噪声信号；消除动态信号的趋势项，再对信号进行平滑处理；其次对加工过程的数据进行截取和归一化；接着构建堆叠去噪自编码器，采用贪婪逐层算法对网络进行训练，将提取的特征作为深度置信网络的输入训练网络结构；最后将加工过程中的实时振动和噪声信号经数据处理后输入到深度网络中，网络输出当前表面粗糙度的优劣情况，从而实现表面粗糙度的实时预测。本方法可减少人工和专家经验的参与，降低带标签数据的获取难度，并且能够提高表面粗糙度预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.021 seconds)
