-
公开(公告)号：CN117697533A
公开(公告)日：2024-03-15
申请号：CN202311563836.8
申请日：2023-11-22
Applicant: 大连理工大学
IPC: B23Q17/09 , G06F18/10 , G06N3/0442 , G06N3/08
Abstract: 一种基于长短时记忆神经网络‑机理混合驱动的刀具磨损在线监测方法，采集主轴振动信号，去噪，划分训练集和测试集；采用长短时记忆神经网络构建刀具磨损数据驱动监测网络；利用训练集数据训练数据驱动监测网络，获得刀具磨损数据驱动监测模型，并保存模型相关参数。基于刀具磨损规律，构建机理驱动的刀具磨损状态误分类判断模型。将实际加工过程中实时采集的振动信号经数据预处理后输入刀具磨损数据驱动监测模型中，获得对应信号的刀具磨损状态，并以获得连续三个刀具状态为一组输入机理驱动的误分类判断模型，获得最终的刀具磨损状态。本方法能有效降低因监测数据随机干扰导致的数据驱动监测模型出现误分类的情形，显著提高了监测结果的可靠性。
-
公开(公告)号：CN117001423A
公开(公告)日：2023-11-07
申请号：CN202311267089.3
申请日：2023-09-28
IPC: B23Q17/09
Abstract: 本发明提供了一种基于进化学习的刀具状态在线监测方法，属于机械加工状态监测技术领域。首先使用初始刀具状态样本数据集有监督训练深度学习模型，并使用无监督聚类算法，从而生成初始有监督学习模型和初始无监督学习模型；然后不断的在线采集刀具状态样本数据集；再然后将所述刀具状态样本数据集同时输入到所述初始有监督学习模型和所述初始无监督学习模型中，利用生成的所述新的刀具状态样本数据集去更新所述初始有监督学习模型和所述初始无监督学习模型，完成在线进化学习；最后进行验证。本发明能自动识别刀具状态，可有效解决深度学习模型难以适用于刀具状态在线监测以及刀具状态标签不足的问题，极大提高了刀具状态在线监测的准确性。
-
公开(公告)号：CN119017135A
公开(公告)日：2024-11-26
申请号：CN202410972538.2
申请日：2024-07-19
Applicant: 大连理工大学
Abstract: 本发明属于智能制造技术领域，公开了可自动识别待加工零件的智能自适应加工方法，首先进行数据采集和传输，采集零件加工时数控机床主轴功率数据并将数据发送至工控机；然后在工控机上使用带约束的导数动态时间弯曲算法对待加工零件进行相似性匹配；若匹配失败，则基于模糊逻辑控制器计算最佳进给速度，并将最佳进给速度保存至数据库中，进行数控机床的自适应加工；若匹配成功，则调用数据库中保存的最佳进给速度进行数控机床的自适应加工。本方法可以自动识别待加工零件的种类，并自动匹配相应的最佳进给速度，在提高加工效率的同时简化了自适应加工的操作流程，提高了数控机床自适应加工的智能化程度。
-
公开(公告)号：CN117283372A
公开(公告)日：2023-12-26
申请号：CN202311413424.6
申请日：2023-10-27
IPC: B23Q17/09
Abstract: 本发明公开了基于孪生长短时记忆神经网络的刀具磨损监测方法，其中包括刀具磨损监测方法，包括以下具体步骤：S1：机床加工过程的监测数据采集与监测数据预处理，所述监测数据采集包括在所述机床的主轴适当位置安装振动传感器和所述监测数据，所述监测数据为所述振动传感器采集的所述机床的所述主轴在X、Y、Z三个方向的主轴振动信号，所述监测数据预处理包括采用预处理算法对所述监测数据进行平滑处理，成为样本数据集，S2：所述样本数据集划分，解决了当前刀具磨损样本是实际切削加工试验获得，属于消耗性试验，耗时、耗力、成本较高，足够多训练样本的获得难度较大，难以实现的问题。
-
公开(公告)号：CN117250912A
公开(公告)日：2023-12-19
申请号：CN202311251189.7
申请日：2023-09-26
IPC: G05B19/414
Abstract: 本发明公开了一种多神经网络融合的机床工艺参数自适应控制方法，属于智能制造技术领域，首先进行数据采集和预处理，采集数控机床加工时的主轴功率数据和主轴振动数据；然后使用预处理后的所述主轴功率数据和所述主轴振动数据训练径向基神经网络和堆叠自编码器神经网络，构建约束目标预测模型和实时切削深度预测模型；再然后，训练随机森林算法，构建进给速度预测模型和主轴转速预测模型；最后，进行机床工艺参数的自适应控制。本方法在机床工艺参数自适应控制过程中融合了颤振的抑制，避免了复杂的颤振识别方法，在提高加工效率的同时保证了零件的加工质量，满足加工余量不均匀零件的高质量、高效率加工需求。
-
Patent Agency Ranking
公开(公告)号：CN117236381A
公开(公告)日：2023-12-15
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以及确定最后一层分类层的最优参数，在基于较少训练样本时获得较高的监测准确性以及提高了相应的建模效率。
-
公开(公告)号：CN117001423B
公开(公告)日：2023-12-05
申请号：CN202311267089.3
申请日：2023-09-28
IPC: B23Q17/09
Abstract: 本发明提供了一种基于进化学习的刀具状态在线监测方法，属于机械加工状态监测技术领域。首先使用初始刀具状态样本数据集有监督训练深度学习模型，并使用无监督聚类算法，从而生成初始有监督学习模型和初始无监督学习模型；然后不断的在线采集刀具状态样本数据集；再然后将所述刀具状态样本数据集同时输入到所述初始有监督学习模型和所述初始无监督学习模型中，利用生成的所述新的刀具状态样本数据集去更新所述初始有监督学习模型和所述初始无监督学习模型，完成在线进化学习；最后进行验证。本发明能自动识别刀具状态，可有效解决深度学习模型难以适用于刀具状态在线监测以及刀具状态标签不足的问题，极大提高了刀具状态在线监测的准确性。
-
公开(公告)号：CN117574109A
公开(公告)日：2024-02-20
申请号：CN202311563578.3
申请日：2023-11-22
Applicant: 大连理工大学
IPC: G06F18/21 , G06F18/214 , G06F18/10 , G06N3/0464 , G06N3/088 , B23Q17/09
Abstract: 一种基于磨损时序缓变规律的刀具状态监测模型在线学习方法，采集加工过程中主轴三个方向的振动信号，对振动信号进行平滑滤波，并将其划分为训练集和测试集；利用训练集数据构建刀具磨损状态数据驱动监测模型，并保存模型相关参数；将加工过程中的实时振动信号经数据处理后输入数据驱动监测模型中，获取对应信号的刀具状态标签，设定置信度阈值，保存符合条件的刀具标签以及对应的监测数据构成高置信度伪标签样本；按时间顺序将高置信度伪标签样本输入基于刀具磨损规律的机理判别模型中，调整伪标签样本中包含的误分类样本标签获得高可靠伪标签样本；利用高可靠伪标签样本更新数据驱动监测模型网络参数，从而实现刀具状态监测模型的在线学习。
-
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：CN117564810A
公开(公告)日：2024-02-20
申请号：CN202311467719.1
申请日：2023-11-03
Applicant: 大连理工大学
IPC: B23Q17/09
Abstract: 本发明提供了一种基于半监督进化学习的加工中心刀具磨损监测方法，属于机械加工状态监测技术领域。用有限数量的带标签的刀具磨损样本训练基于度量学习的深度学习模型，并将其作为初始的半监督学习SSL模型。将未标记的刀具磨损样本依次输入到初始的SSL模型中，获得伪标签。基于输出概率的置信水平和刀具磨损的物理规律，选择置信度较高的伪标签样本作为标记样本的扩展数据集。利用改进的GAN模型自适应地保持数据集中的类别平衡。该方法的最大优点能够在有限的标记样本下动态更新深度学习模型，提高模型泛化性能，实现对无标签的刀具磨损准确预测。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.054 seconds)
