-
公开(公告)号：CN117330315B
公开(公告)日：2024-02-23
申请号：CN202311628790.3
申请日：2023-12-01
IPC: G01M13/045 , G06N3/096 , G06F18/2411 , G06F18/214
Abstract: 本发明公开了一种基于在线迁移学习的旋转机械故障监测方法，属于设备运行状态监测领域。该方法包括以下步骤：S1：在待监测设备上布置三向振动传感器，获取正常运行时的振动信号；S2：将S1中的数据进行快速傅里叶变换，得到模型训练样本；S3：离线训练基于SSAE‑SVM的两阶段故障监测模型；S4：部署监测模型，根据模型监测结果生成在线目标域训练数据；S5：计算源域数据与在线目标域数据集在SSAE深层特征的Coral距离，微调目标域SSAE参数；S6：利用在线故障数据训练基于偏二叉树SVM的多分类监测模型。本发明利用在线数据持续更新无监督预训练(56)对比文件WO 2023187522 A1,2023.10.05高彤 等.基于MMD迁移学习的MEMS惯性传感器故障诊断方法.太原科技大学学报.2023,第44卷(第2期),全文.苏文胜.滚动轴承振动信号处理及特征提取方法研究.中国优秀硕士学位论文全文数据库工程科技Ⅱ辑.2011,全文.张宏乐 等.基于深度迁移学习的提升机主轴故障在线诊断系统研究.煤炭工程.2022,第54卷(第7期),全文.Li, ZM 等.Fault detection inflotation processes based on deeplearning and support vectormachine.JOURNAL OF CENTRAL SOUTHUNIVERSITY.2019,第26卷(第9期),全文.Mao, WT 等.Online detection forbearing incipient fault based on deeptransfer learning.MEASUREMENT.2020,全文.
-
公开(公告)号：CN116339137A
公开(公告)日：2023-06-27
申请号：CN202310077158.8
申请日：2023-02-07
Applicant: 大连理工大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于LSTM‑FLC算法的机床自适应预测调控方法，属于智能制造技术领域。首先，试制阶梯形样件，进行变切深加工试验，利用功率传感器采集加工过程中的主轴功率信号并进行数据预处理；其次，构建长短时记忆网络，网络输入为处理后的功率信号和切削参数，网络输出为下一时刻的功率预测值；然后，基于功率预测值建立模糊控制模型，求解加工参数的预测调控值；最后，在加工中对进给速度自适应调控。本方法可有效地提高加工效率，延缓刀具磨损，减少参数调控过程中刀具的异常破损，延长机床使用寿命，降低生产成本。
-
公开(公告)号：CN116184960A
公开(公告)日：2023-05-30
申请号：CN202310077644.X
申请日：2023-02-07
Applicant: 大连理工大学
IPC: G05B19/418
Abstract: 本发明公开了一种虑及刀具状态的数控机床工艺参数自适应调控方法，属于智能制造技术领域。首先，在机床上进行变切削深度铣削加工试验，实时采集加工过程中主轴电机功率信号，并对信号进行缺失值补全和归一化处理；其次，分别构建刀具状态预测和主轴功率预测模型；然后，基于刀具状态和主轴功率的预测值，建立虑及刀具状态的工艺参数自适应调控模型；最后，根据调控模型实时调节加工工艺参数。本方法考虑了刀具状态在自适应调控中对加工效率的影响，在避免刀具和机床因参数调控而异常损坏的前提下，最大程度的提高加工效率，满足零件的高质、高效加工需求。
-
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：CN117330315A
公开(公告)日：2024-01-02
申请号：CN202311628790.3
申请日：2023-12-01
IPC: G01M13/045 , G06N3/096 , G06F18/2411 , G06F18/214
Abstract: 本发明公开了一种基于在线迁移学习的旋转机械故障监测方法，属于设备运行状态监测领域。该方法包括以下步骤：S1：在待监测设备上布置三向振动传感器，获取正常运行时的振动信号；S2：将S1中的数据进行快速傅里叶变换，得到模型训练样本；S3：离线训练基于SSAE‑SVM的两阶段故障监测模型；S4：部署监测模型，根据模型监测结果生成在线目标域训练数据；S5：计算源域数据与在线目标域数据集在SSAE深层特征的Coral距离，微调目标域SSAE参数；S6：利用在线故障数据训练基于偏二叉树SVM的多分类监测模型。本发明利用在线数据持续更新无监督预训练模型，提升了负向数据缺乏情况下监测模型的准确性。
-
公开(公告)号：CN117056849A
公开(公告)日：2023-11-14
申请号：CN202311315818.8
申请日：2023-10-12
IPC: G06F18/2433 , G06F18/2411 , G06F18/2131 , G06F18/214 , G06F18/25 , G06N3/0455 , G06N3/048 , G06N3/088 , G07C3/00 , G06F123/02
Abstract: 本发明公开了一种无监督的复杂机械设备异常状态监测方法及系统，首先，确定故障敏感部件，采集数据；然后通过运行状态识别算法自动提取所述数据，并划分训练样本，将所述训练样本进行快速傅里叶变换成为多源信号融合样本，将所述多源信号融合样本作为堆叠稀疏自编码器的输入数据；随后建立基于所述堆叠稀疏自编码器的数据提取模型；最后训练基于支持向量数据描述的单分类模型用于所述复杂机械设备异常状态监测。本发明利用复杂机械设备工业数据集进行无监督训练，节省了人工特征提取与数据标注的高昂成本，降低了异常数据缺乏对监测模型准确度的影响，可以应用于复杂机械高强度间歇运动需求，对设备监测健康状态技术的应用及推广具有较大意义。
-
公开(公告)号：CN118915627A
公开(公告)日：2024-11-08
申请号：CN202410972540.X
申请日：2024-07-19
Applicant: 大连理工大学
IPC: G05B19/416
Abstract: 本发明属于智能数控加工和数控系统通讯领域，公开了基于FOCAS协议的机床外置式进给速度自适应控制方法，首先创建机床数控面板进给倍率使能的屏蔽开关；然后将自适应控制计算机通过网线与数控系统连接，并将自适应控制计算机与数控系统的IP地址设置在同一网段内；接着将采集到的数控机床主轴功率数据输入到自适应控制计算机内的自适应控制模型中，模型输出为进给倍率优化值；最后基于FOCAS协议将进给倍率优化值写入数控系统内，实现进给速度的在线修改。本方法根据数控加工过程中机床主轴功率负载变化在线调整数控机床的进给速度，解决了配备发那科数控系统的数控机床数据传输问题，提升了零件加工效率，提高了应用范围。
-
公开(公告)号：CN117608246A
公开(公告)日：2024-02-27
申请号：CN202311490263.0
申请日：2023-11-09
Applicant: 大连理工大学
IPC: G05B19/416
Abstract: 本发明属于智能制造技术领域，公开了一种适用于多工序零件的数控机床自适应加工方法，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基于滑动窗口和自上而下策略的时序数据分割方法对机床主轴功率数据进行分割，得到多工序零件的分段工序功率数据；再然后，为每段工序功率数据分别设置功率参考值，基于模糊逻辑控制器计算最佳进给速度；最后，进行数控机床的自适应加工。本方法针对复杂多工序零件的不同工序分别设定相应的功率参考值，在提高加工效率的同时保证了零件加工质量、刀具寿命不受数控机床自适应加工的影响，提高了数控机床自适应加工的实用性。
-
公开(公告)号：CN117056849B
公开(公告)日：2024-02-02
申请号：CN202311315818.8
申请日：2023-10-12
IPC: G06F18/2433 , G06F18/2411 , G06F18/2131 , G06F18/214 , G06F18/25 , G06N3/0455 , G06N3/048 , G06N3/088 , G07C3/00 , G06F123/02
Abstract: 本发明公开了一种无监督的复杂机械设备异常状态监测方法及系统，首先，确定故障敏感部件，采集数据；然后通过运行状态识别算法自动提取所述数据，并划分训练样本，将所述训练样本进行快速傅里叶变换成为多源信号融合样本，将所述多源信号融合样本作为堆叠稀疏自编码器的输入数据；随后建立基于所述堆叠稀疏自编码器的数据提取模型；最后训练基于支持向量数据描述的单分类模型用于所述复杂机械设备异常状态监测。本发明利用复杂机械设备工业数据集进行无监督训练，节省了人工特征提取与数据标注的高昂成本，降低了异常数据缺乏对监测模型准确度的影响，可以应用于复杂机械高强度间歇运动需求，对设备监测健康状态技术的应用
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.019 seconds)
