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

Inventor： 刘阔 ,  崔益铭 ,  沈明瑞 ,  秦波 ,  宋磊 ,  王永青

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：CN111716150A

公开(公告)日：2020-09-29

申请号：CN202010610398.6

申请日：2020-06-30

Applicant: 大连理工大学

Inventor： 刘阔 ,  沈明瑞 ,  秦波 ,  黄任杰 ,  牛蒙蒙 ,  王永青

IPC: B23Q17/09 ,  G06F17/12

Abstract: 一种刀具状态智能监测的进化学习方法，利用三向加速度传感器和传声器采集振动信号和声信号，对信号进行平滑处理，并将其划分为训练集和测试集；采用堆叠自编码器对动态信号的深层次特征进行自动提取，并对提取的特征进行分类；根据训练集模型准确度对各算法进行权重分配，通过加权平均获得最终预测的刀具状态，并保存模型相关参数；将实际加工过程中的实时振动信号和声信号经数据预处理后输入保存过的监测模型中，获得对应信号的刀具状态，保存置信度水平较高的数据标签，并对网络参数进行更新，从而实现刀具状态智能监测的进化学习。本方法可避免人工的参与，降低计算复杂度，且能减弱机床性能退化对刀具状态监测模型预测准确度的影响。

公开(公告)号：CN111694320A

公开(公告)日：2020-09-22

申请号：CN202010522482.2

申请日：2020-06-10

Applicant: 大连理工大学

Inventor： 刘阔 ,  黄任杰 ,  沈明瑞 ,  班仔优 ,  秦波 ,  王永青

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。