-
公开(公告)号：CN118334331A
公开(公告)日：2024-07-12
申请号：CN202410400180.6
申请日：2024-04-03
Applicant: 哈尔滨工业大学
IPC: G06V10/26 , G06V20/70 , G06V20/40 , G06V10/774 , G06V10/764 , G06V10/25 , G06V10/82 , G06T3/4053 , G06N5/04 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种刀具破损视频实时分割方法，所述方法如下：对采集的图像进行图像增强与增广处理，得到刀具原始数据集；构建刀具工作状态分类数据集、刀具破损区域目标检测数据集、刀具破损区域图像分割数据集；将刀具加工视频采用逐帧分解的方式分解成连续的图片，得到刀具破损视频分解图像数据集；利用基于深度学习的刀具状态监测训练模块对刀具工作状态分类数据集、刀具破损区域目标检测数据集、刀具破损区域图像分割数据集依次进行训练；利用基于深度学习的刀具状态监测测推理模块学习训练得到的模型，对刀具破损视频分解数据集进行推理。本发明具有较快的运行速度和较低的资源占用，能够对精密加工的刀具进行实时处理。
-
公开(公告)号：CN116475811A
公开(公告)日：2023-07-25
申请号：CN202310276600.X
申请日：2023-03-20
Applicant: 哈尔滨工业大学
Abstract: 一种头架和尾架双电机驱动的超精密辊筒机床，属于超精密加工装备领域。主轴头架固定在辊筒机床床体上，主轴尾架与辊筒机床床体的Z轴导轨滑动连接，两套气体静压主轴系统分别固定装在主轴头架和主轴尾架上，主轴电机输出轴与气体静压主轴系统的主轴转子输入端同轴且固定连接，主轴转子输出端与主轴夹具同轴固定连接，两个主轴夹具同轴设置，辊筒模具通过固定在其两端的模辊支撑轴夹紧固定在两个主轴夹具上，刀具Z轴溜板组件位于主轴头架和主轴尾架之间，且与Z轴导轨滑动连接，X轴导轨固定在Z轴溜板组件上，刀具X轴溜板组件与X轴导轨滑动连接，刀具夹具固定装在刀具底座上，刀具底座固定装在X轴溜板组件上。本发明用于辊筒模具超精密加工。
-
公开(公告)号：CN116079083B
公开(公告)日：2024-11-26
申请号：CN202310161188.7
申请日：2023-02-23
Applicant: 哈尔滨工业大学
Abstract: 一种基于六轴的柱面菲涅尔超精密加工辊筒设备，属于超精密加工技术领域。辊筒模具安装在辊筒机床上，刀具组件设置在辊筒模具下方，且刀具组件安装在串联双转台上，串联双转台通过XYZ轴位移台安装在辊筒机床上。本发明利用辊筒机床在大尺寸辊筒模具上加工柱面菲涅尔，充分发挥柱面菲涅尔的大尺寸优势，改进了柱面菲涅尔仿形加工方法，去除了用于调整刀具的手动位移台，保证机床整体刚度；同时主轴C轴采用气体静压主轴，将刚度和承载两者进行耦合从而使气浮主轴具有极高的回转精度以及刚度，大大提高其抗干扰能力，X轴和Z轴均为液体静压导轨，低速无爬行，在保证承载力的同时提高了直线运动精度，达到超精密加工要求。
-
公开(公告)号：CN118060974A
公开(公告)日：2024-05-24
申请号：CN202410400189.7
申请日：2024-04-03
Applicant: 哈尔滨工业大学
IPC: B23Q17/24
Abstract: 一种刀具破损状态原位实时监测方法，属于刀具破损状态监测技术领域。基于多源信息融合特征、多算法结合，旨在实现高效、准确的刀具破损状态实时监测。通过集成多维力信号和多维振动信号，本发明能够综合利用切削过程中的多维度信息，从而提高监测精度和稳定性。本发明采用了生成对抗网络对不平衡样本进行增强，有效解决了传统监测方法中少数类样本不足的问题，从而提高了模型的泛化能力和判断准确率。深层特征提取结合多层阈值决策和多齿刀具崩刃智能辨识系统，进一步增强了对刀具破损类型识别的准确性和效率。本方法适用于各种机械加工场景，尤其是在要求高精度和高稳定性的先进制造领域，能够有效预防因刀具破损导致的生产事故。
-
Patent Agency Ranking
公开(公告)号：CN117809034A
公开(公告)日：2024-04-02
申请号：CN202311856664.3
申请日：2023-12-29
Applicant: 哈尔滨工业大学
IPC: G06V10/26 , G06V10/28 , G06V20/70 , G06V20/52 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/34 , G06V10/36 , G06T7/13 , G06V20/69
Abstract: 一种基于改进轻量级SE‑Ulite模型的铣刀磨损分割方法，属于刀具磨损监测领域。本发明提出了一个轻量级网络结构，以避免高计算复杂性和内存使用率。使用交叉卷积核扩大模型感受野，有效提取上下文语义信息；瓶颈层使用多尺度轴向扩展深度分离卷积来感知局部和全局信息；在多级跳跃层上引入通道关注，强调判别信息，抑制无用信息；通过刀具全生命周期磨损实验验证了所提模型在精度和性能上的优势。本发明提出的轻量级的视觉分割模型，实现了对原始刀具图像的端到端高精度分割，MioU高达85.84％，同时模型仅有976K，是传统U‑net参数量的三十分之一，符合工业检测对模型轻量化的要求。
-
公开(公告)号：CN118123583A
公开(公告)日：2024-06-04
申请号：CN202410400182.5
申请日：2024-04-03
Applicant: 哈尔滨工业大学
Abstract: 一种铣削刀具破损状态监测装置及其监测方法，属于刀具监测技术领域。振动传感器固定在工件上，微位移传感器及多通道力传感器固定在铣刀主轴上，振动传感器、微位移传感器及多通道力传感器与数据采集卡信号传输连接；计算机程序存储在存储器上并在处理器上运行，传感信号采集模块与数据采集卡以及工业相机均信号传输连接，用于获取按时序采集铣刀加工传感信号样本数据以及铣刀后刀面磨损带区域图像数据。方法如下：采集数据并构建样本数据序列；信号预处理；特征提取。本发明适用于各种机械加工场景，在需要高精度超精密的智能制造领域，可以有效减小刀具破损带来的加工误差和生产事故，提高生产效率和安全性。
-
公开(公告)号：CN119474859A
公开(公告)日：2025-02-18
申请号：CN202411480216.2
申请日：2024-10-23
Applicant: 哈尔滨工业大学
IPC: G06F18/214 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/09 , G06N3/094 , G06N3/084
Abstract: 一种基于ResNet‑GAN与小波神经网络的多齿刀具破损监测方法，属于刀具监测技术领域。用于提高样本扩充中生成信号的质量，降低样本训练的不平衡比，并且实现深度特征的可视化。本发明对破损样本进行了样本扩充，实现了少数类样本的数据增强，使得算法可以更充分地学习破损信号的特征，降低了样本训练的不平衡比，提高了训练准确率；另外本发明通过ResNet残差块、梯度惩罚项的结合使得在深层的神经网络中仍能保证梯度正常传播，保持训练平滑和稳定，减少梯度爆炸的现象，提高了生成信号的质量；通过多小波函数核卷积模块从不同维度提取信号深层特征，实现了特征可视化，可以更好地区分不同的破损状态。
-
公开(公告)号：CN116079083A
公开(公告)日：2023-05-09
申请号：CN202310161188.7
申请日：2023-02-23
Applicant: 哈尔滨工业大学
Abstract: 一种基于六轴的柱面菲涅尔超精密加工辊筒设备，属于超精密加工技术领域。辊筒模具安装在辊筒机床上，刀具组件设置在辊筒模具下方，且刀具组件安装在串联双转台上，串联双转台通过XYZ轴位移台安装在辊筒机床上。本发明利用辊筒机床在大尺寸辊筒模具上加工柱面菲涅尔，充分发挥柱面菲涅尔的大尺寸优势，改进了柱面菲涅尔仿形加工方法，去除了用于调整刀具的手动位移台，保证机床整体刚度；同时主轴C轴采用气体静压主轴，将刚度和承载两者进行耦合从而使气浮主轴具有极高的回转精度以及刚度，大大提高其抗干扰能力，X轴和Z轴均为液体静压导轨，低速无爬行，在保证承载力的同时提高了直线运动精度，达到超精密加工要求。
-
公开(公告)号：CN118060972A
公开(公告)日：2024-05-24
申请号：CN202410400183.X
申请日：2024-04-03
Applicant: 哈尔滨工业大学
IPC: B23Q17/09 , B23Q17/12 , B23Q17/24 , G06F18/213 , G06F18/25 , G06F18/214 , G06N3/049 , G06N3/08
Abstract: 一种基于离散小波分解的刀具磨损监测方法，属于刀具监测技术领域。方法如下：构建刀具磨损数据集；对时序信号进行周期性二维重构；获得刀具磨损监测模型。本发明将一维时序信号按周期转化为二维张量特征，并提取多尺度特征信息，通过捕获周期信号的深层特征拟合刀具磨损值，针对刀具加工过程中产生的历史周期性数据建立刀具磨损监测模型，可以自适应提取最优特征进行监测，能够根据刀具加工中不同的工艺参数的信号特点动态调整参数，从而提高模型的泛化能力和预测精度，实现刀具磨损值的精准监测。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
