-
公开(公告)号：CN119537953A
公开(公告)日：2025-02-28
申请号：CN202411683383.7
申请日：2024-11-22
Applicant: 华中科技大学
IPC: G06F18/214 , G06F18/2433 , G06F18/2131 , G06N3/0464 , G06N3/049 , G06N3/08 , G01M13/045 , G06F123/02
Abstract: 本发明属于轴承异常相关技术领域，并公开了一种滚动轴承异常检测模型的构建方法及系统。该方法包括下列步骤：采集轴承振动的振动信号形成原始振动信号集A并赋予故障标签；利用数据生成模型对原始振动信号集进行数据处理生成新的振动信号，形成新的振动信号集B；将该振动信号集B与原始振动信号集A中的振动信号进行拼接形成拼接的振动信号，拼接的振动信号的故障标签与振动信号集B中的振动信号相同，将拼接后的振动信号添加至原始振动信号集A形成振动信号集C；利用振动信号集C训练异常检测模型获得所需的滚动轴承的异常检测模型，该异常检测模型的输入为振动信号，输出为故障标签。通过本发明解决在轴承异常检测困难的技术问题。
-
公开(公告)号：CN111832913B
公开(公告)日：2024-07-02
申请号：CN202010601519.0
申请日：2020-06-28
Applicant: 华中科技大学
IPC: G06Q10/0639 , G06Q10/067 , G06Q50/04
Abstract: 本发明公开了一种生产线的柔性量化评估方法及设备，属于柔性生产技术领域，该方法包括如下步骤：根据生产线柔性生产的特点，提出生产线柔性的评价指标；根据生产线的初步设计方案获取生产线的生产与布局信息；将所获取的生产线的生产与布局信息输入至面向生产线柔性的产品‑工艺‑设备特征关系网，根据所述的特征关系网，构建生产线不同维度的柔性评估模型；根据生产柔性需求制定生产线不同维度柔性的评价权重，通过对所述的不同维度的柔性评估模型的加权融合，得到生产线设计时的综合柔性评估模型与量化指标。本发明能够科学有效的对生产线柔性进行定量评估，能够帮助指导生产线的柔性设计，以及对所设计的生产线的柔性做出快速量化的评定。
-
公开(公告)号：CN111914721B
公开(公告)日：2024-02-06
申请号：CN202010732749.0
申请日：2020-07-27
Applicant: 华中科技大学
IPC: G06F18/213 , G01H17/00 , G06F18/10
Abstract: 本发明属于智能制造相关技术领域，其公开了一种基于线性回归及高斯阈值的加工状态识别方法，所述方法包括以下步骤：(1)获取振动信号的MFCC特征；(2)对空转段及切削段的MFCC特征进行核密度估计以确定两个阶段的数据分布为近似正太分布，并使用n‑σ原则对比不同n值下P{X≥n×σ}内数据量的大小以确定高斯阈值，进而使用该高斯阈值，并结合移动帧对MFCC特征进行处理以获得过零点特征；(3)基于线性回归及过零点特征提取梯度特征，接着分别对空转段及切削段的梯度特征数据进行统计分析以确定各段梯度特征数据的分布区域，并确定切入及切出位置，进而完成加工状态的识别。本发明提高了识别准确度，且适用性强。
-
公开(公告)号：CN115688563A
公开(公告)日：2023-02-03
申请号：CN202211218896.1
申请日：2022-10-07
Applicant: 华中科技大学
Abstract: 本发明属于切削参数加工优化相关技术领域，其公开了一种基于多智能体进化强化学习的加工参数优化方法，该方法包括以下步骤：(1)采集变参数切削工况下的加工振动数据并测量工件表面粗糙度，同时提取振动信号的时域特征和频域特征；(2)构建加工过程知识图谱，并基于集成图注意力网络建立加工质量估计模型；(3)将加工参数优化问题形式化的表示为马尔科夫决策过程，并确定状态、动作空间和奖励函数，进而构建多智能体强化学习模型；(4)确定适应度函数，并结合进化学习方法在与加工质量估计模型交互过程中训练所述多智能体强化学习模型，继而采用所述多智能体强化学习模型实现加工参数优化。本发明提高了预测性能。
-
公开(公告)号：CN115129003A
公开(公告)日：2022-09-30
申请号：CN202210642939.2
申请日：2022-06-08
Applicant: 华中科技大学
IPC: G05B19/418
Abstract: 本发明公开了基于自学习时变数字孪生的自动化产线智能监测系统，属于高端装备状态监测技术领域，物理产线层利用加工参数执行加工工序；边缘监测层基于物理产线层数据获得工件质量数据与刀具磨损敏感特征；将工件质量数据与刀具磨损敏感特征输入当前刀具磨损表征模型获取当前磨损状态，根据当前磨损状态、加工参数、实际质量等优化加工参数并输出优化后期望质量；云端进化层根据优化后期望质量、当前磨损状态和当前实际质量评估当前刀具磨损表征模型并根据评估结果对其进行更新。本发明通过时变的物理和虚拟数据双向驱动，刀具磨损表征模型根据实际情况进行实时评估、自学习、更新、验证，实现刀具状态监测的泛化性智能性、准确性和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN113843638B
公开(公告)日：2022-09-20
申请号：CN202111074114.7
申请日：2021-09-14
Applicant: 华中科技大学
Abstract: 本发明公开了一种提高薄壁零件加工稳定性的方法及应用，包括：S1、根据薄壁零件的各阶模态频率与剪切增稠液最佳浓度的对应关系，得到当前工况下薄壁零件的主振频率所对应的剪切增稠液的最佳浓度；S2、根据薄壁零件的加工位形，对当前工况下薄壁零件的主振频率所对应的最佳浓度下的剪切增稠液封装后进行固定，使其与薄壁零件的非加工表面紧密贴合；本发明针对工况改变所引起的主振频率的改变，配置不同浓度的剪切增稠液，能够精确高效地提高加工系统的阻尼比，有针对性的抑制以主振模态为主的振动，提高薄壁件的加工精度和加工效率；且剪切增稠液可塑性强，能够适应不同加工条件，在不同的加工条件下提高薄壁零件加工稳定性。
-
公开(公告)号：CN113077043B
公开(公告)日：2022-05-20
申请号：CN202110285492.3
申请日：2021-03-17
Applicant: 华中科技大学
IPC: G06N3/04 , G06K9/62 , G06V10/774 , G06F17/16
Abstract: 本发明公开一种基于改进图卷积网络的机床刀尖动力学特征预测方法，属于数控机床刀尖点动力学特征预测领域。方法包括：选取样本数据，获取静止状态下机床不同位置下的刀尖点频响函数以及切削过程中的颤振频率和轴向极限切深，求解切削状态下的位置‑速度相关刀尖点主模态参数，获得样本数据标签；将有标签的样本数据和无标签的待测数据转换为图结构数据输入到图卷积网络中，得到任意位置‑速度下的刀尖点主模态参数；图卷积网络在图卷积层的基础上通过增加转置图卷积层得到，转置图卷积层用于实现对图卷积层所编码输出的节点特征进行解码，重构损失函数。通过预测的主模态参数可以计算获取刀尖点频响函数，进而计算铣削稳定lobe图来预测加工稳定性。
-
公开(公告)号：CN114200889A
公开(公告)日：2022-03-18
申请号：CN202111396317.8
申请日：2021-11-23
Applicant: 华中科技大学
IPC: G05B19/408
Abstract: 本发明属于数控加工相关技术领域，其公开了一种基于深度强化学习的铣削参数优化方法，基于BPNN回归方法建立机床功耗模型，实现机床功耗状态预测的连续性，并建立加工成本模型；然后，定义了相应的状态、动作、奖励函数和约束；最后，结合机床功耗模型和加工成本模型建立仿真环境，提出BP‑TD3深度强化学习方法，求解铣削加工参数优化。如此，本发明可以利用少量数据辅助建立机床功耗仿真BPNN功耗模型，在TD3模型与仿真环境交互训练中得到深度强化学习铣削参数优化模型，从而只需较少的实验数据，稳定的训练时间，就可以解决较大任务空间的铣削参数优化问题。
-
公开(公告)号：CN113869194A
公开(公告)日：2021-12-31
申请号：CN202111131299.0
申请日：2021-09-26
Applicant: 华中科技大学
Abstract: 本发明公开了基于深度学习的变参数铣削加工过程信号标记方法及系统，属于数控加工中心加工过程监测技术领域。方法包括：采集铣削加工时的主轴振动信号，将该振动信号经短时傅里叶变换后得到的浅层特征输入至堆叠式双向长短时记忆网络模型，提取出深层特征，引入条件随机场与多层感知机，优化了损失函数，改善了过分类问题，建立针对时序信号截取和标记的模型评价指标，对该模型进行迭代训练，最终实现了铣削过程的时序信号的自动标记。本发明可实现对高频时序信号的自动标记，为机械设备状态监测、故障诊断以及维护等场景提供数据支撑，具有标记成本低、自动化程度高、泛化能力好等优点。
-
公开(公告)号：CN113780208A
公开(公告)日：2021-12-10
申请号：CN202111085598.5
申请日：2021-09-16
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于对抗迁移学习的刀具磨损状态预测方法及装置，属于数控加工中心刀具磨损状态预测技术领域。本发明结合动态分布自适应以及对抗迁移学习，首先获取并处理得到带标签的源域数据集和目标域数据集；接着，构建包括特征提取网络、标签分类器、全局域判别器和局部域判别器的对抗迁移学习模型；最后，以最小化对抗迁移学习模型的损失为目标，基于源域数据集和目标域数据集训练对抗迁移学习模型。如此，本发明可以利用已有的带标签的刀具磨损监测数据(源域数据)辅助建立其他场景下的对抗迁移学习模型，从而只需较少的带标签的目标域数据，就能够解决不同直径刀具的磨损状态预测问题。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.03 seconds)
