-
公开(公告)号：CN117236381B
公开(公告)日：2024-02-02
申请号：CN202311474118.3
申请日：2023-11-08
IPC: G06N3/0442 , G06N3/126 , G06F18/2415 , G06F18/213
Abstract: 本发明公开了一种基于三元组长短时记忆神经网络的刀具磨损监测方法，涉及机械加工状态监测技术领域，将测试样本集数据输入刀具磨损监测模型中，得到刀具磨损状态数据，刀具磨损三元组构建后，将其输入到三元组特征提取模块中，提取对应的正样本、锚样本和负样本的特征，将这些特征输入到三元组损失中学习刀具磨损监测数据的类内相似特征与类间差异性特征，并保存构成三元组神经网络子网络的参数，然后，在子网络最后一层添加softmax分类层，用于构建刀具磨损监测模型，其次，将最初的训练样本集数据输入分类模块中，以微调子网络的参数(56)对比文件李先旺等.基于时间卷积长短时记忆网络的多域特征融合刀具磨损预测《.机床与液压》.2023,第51卷(第20期),210-218.钱龙等.一种基于遗传算法优化的长短时记忆网络胎儿心电信号提取方法《.生物医学工程学杂志》.2021,第38卷(第2期),257-267.Wennian Yu等.Cutting Tool wearEstimation Using a Genetic AlgorithmBased Long Short-Term Memory NeuralNetwork《.ASME 2018 International DesignEnigineering Technical Conferences andComputers and Information in EngineeringConferences》.2018,第8卷1-6.Souvik Hazra等.Short-Range Radar-Based Gesture Recognition System Using 3DCNN With Triplet Loss《.IEEE Access》.2019,第7卷125623-125633.
-
公开(公告)号：CN117420790A
公开(公告)日：2024-01-19
申请号：CN202311356384.6
申请日：2023-10-19
IPC: G05B19/404
Abstract: 本发明提供了基于领域自适应的机床进给轴热误差模型迁移学习方法，属于机床热误差补偿领域，可用于有至少两个进给轴的机床有多条进给轴的机床。第一步，选择温度测点进行数据测试；第二步，利用长短时记忆网络构建一条进给轴的热误差模型；第三步，基于分段插值扩展数据，并训练热误差模型；第四步，利用CORAL算法实现温度数据源域与温度数据目标域的领域自适应；第五步，基于所述领域自适应将所述热误差模型迁移至另一条进给轴。本发明仅需测试数控机床其中一条进给轴的热误差数据，即可实现热误差模型在同一台机床的不同进给轴间迁移，有效提升了热误差模型的建模效率，从而减少了对机床的占用时间。
-
公开(公告)号：CN111694320B
公开(公告)日：2021-04-20
申请号：CN202010522482.2
申请日：2020-06-10
Applicant: 大连理工大学
IPC: G05B19/408
Abstract: 本发明公开了一种虑及颤振抑制的机床自适应控制方法，通过对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自适应调控，整个信号采集过程不影响正常的加工进行。虑及颤振抑制的机床自适应控制方法能有效地提高加工效率，并能对加工过程产生的颤振进行监测和抑制，在提升加工效率的基础上最大限度地提升加工质量，且能延长刀具和机床的使用寿命，降低生产成本。
-
公开(公告)号：CN111366123A
公开(公告)日：2020-07-03
申请号：CN202010150557.9
申请日：2020-03-06
Applicant: 大连理工大学
Abstract: 本发明属于机械加工技术领域，提供了一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法。首先，采集加工过程中的振动信号；下一步，测量零件表面粗糙度和刀具磨损情况，并将测得结果与振动信号分别对应；其次，进行样本扩充，提取特征并归一化处理；然后，构建基于深度置信网络的多任务预测模型，并将零件表面粗糙度和刀具磨损情况作为模型输出，提取特征作为输入，建立多任务DBN网络预测模型；最后，进行试验验证，振动信号输入多任务预测模型中，预测表面粗糙度以及刀具磨损状况。该方法的最大优点：一次建模实现零件表面粗糙度和刀具磨损的在线预测，充分利用了监测数据包含的隐藏信息，减少了工作量以及模型建立的成本。
-
公开(公告)号：CN111177911A
公开(公告)日：2020-05-19
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。
-
Patent Agency Ranking
公开(公告)号：CN110488754A
公开(公告)日：2019-11-22
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：CN109800537A
公开(公告)日：2019-05-24
申请号：CN201910125065.1
申请日：2019-02-20
Applicant: 大连理工大学
Abstract: 本发明提供了一种基于深度神经网络和蒙特卡洛法的机床热误差模型可靠度计算方法，属于数控机床热误差补偿领域。该方法首先根据机床热特性参数的概率分布和热误差模型，生成一组用于训练深度神经网络的数据；然后基于深度置信网络构建深度神经网络，并应用训练数据对其进行训练；接着根据机床热特性参数的概率分布得出一组随机抽样数据，并以该组随机抽样作为输入，应用训练好的深度神经网络得出输出；最后基于蒙特卡洛法计算机床热误差模型的可靠度。对于既没有明确的解析表达式，也很难得出代替多项式的机床热误差模型，通过本方法，可定量分析热特性参数变化对机床热误差模型预测效果的影响，对热误差模型的长期预测效果做出预估。
-
公开(公告)号：CN109800537B
公开(公告)日：2022-11-18
申请号：CN201910125065.1
申请日：2019-02-20
Applicant: 大连理工大学
Abstract: 本发明提供了一种基于深度神经网络和蒙特卡洛法的机床热误差模型可靠度计算方法，属于数控机床热误差补偿领域。该方法首先根据机床热特性参数的概率分布和热误差模型，生成一组用于训练深度神经网络的数据；然后基于深度置信网络构建深度神经网络，并应用训练数据对其进行训练；接着根据机床热特性参数的概率分布得出一组随机抽样数据，并以该组随机抽样作为输入，应用训练好的深度神经网络得出输出；最后基于蒙特卡洛法计算机床热误差模型的可靠度。对于既没有明确的解析表达式，也很难得出代替多项式的机床热误差模型，通过本方法，可定量分析热特性参数变化对机床热误差模型预测效果的影响，对热误差模型的长期预测效果做出预估。
-
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。
-
公开(公告)号：CN113103068A
公开(公告)日：2021-07-13
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。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.028 seconds)
