-
公开(公告)号：CN113420375A
公开(公告)日：2021-09-21
申请号：CN202110657757.8
申请日：2021-06-14
Applicant: 西北工业大学
IPC: G06F30/15 , G06F30/17 , G06F30/20 , G06F119/02
Abstract: 本发明公开了一种基于Apriori建立工艺‑质量‑不平衡量关联关系模型的方法，首先调取装配留档数据库内数据以及云端大数据，对数据进行预处理；再对连续数据Chi‑merge离散化，之后形成事务数据集；然后对事务数据集进行关联分析，得到事务或项集与不平衡量之间的关联关系支持度和置信度；接下来基于Apriori关联算法，对装配过程中的影响因素与不平衡量进行关联分析，建立不平衡量关联关系模型；最后基于不平衡量关联关系模型，挖掘工艺、质量和不平衡量之间的内在关系，分析计算其中相关性影响因子的影响比重，并对不平衡量增减影响进行定量分析。本发明能为航空发动机低压风扇转子的设计、制造和装配提供建设性建议根据。
-
公开(公告)号：CN113313198A
公开(公告)日：2021-08-27
申请号：CN202110684408.5
申请日：2021-06-21
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于多尺度卷积神经网络的刀具磨损预测方法，解决现有刀具磨损预测方法依赖人工特征提取、模型泛化能力不足、应用场景受限的问题。本发明利用深度学习从原始数据中提取数据的本质特征，自动建立特征与目标之间的映射关系，并将其与人工特征提取方法相结合，提高了模型的准确率，该方法首先利用离散小波变换对预处理后的原始信号进行变换，在不损失原始信号信息的情况下对特征进行更好的表示，设计了一种增强的多尺度CNN结构，并将其应用于变换后的小波尺度图上，自动从原始数据中学习刀具的磨损特征；最后，将人工特征和自动特征相结合形成混合特征向量，利用全连接神经网络实现自动特征和人工特征的融合，以实现刀具磨损的预测。
-
公开(公告)号：CN110472635A
公开(公告)日：2019-11-19
申请号：CN201910656404.9
申请日：2019-07-19
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于深度学习的刀具特征识别方法，用于解决现有非标专用刀具设计方法实用性差的技术问题。技术方案是从图像视觉入手，挖掘工件加工特征与刀具的二维工程图二者的关联关系，实现刀具设计方案重用。首先基于卷积深度信念网络生成模型，融合二维工程图的结构信息和尺寸信息，对高维刀具图进行特征提取，获取低维的刀具特征向量；然后结合CDBN判别模型和迁移学习，在重用刀具特征提取网络参数的基础上，挖掘加工特征与刀具特征向量的关联关系；最后通过基于Sofmax的刀具分类和基于夹角余弦法的相似性匹配两个步骤，实现刀具特征向量到历史刀具设计方案的映射，实用性好。
-
公开(公告)号：CN106217128B
公开(公告)日：2018-07-13
申请号：CN201610530156.X
申请日：2016-07-06
Applicant: 陕西柴油机重工有限公司 , 西北工业大学
IPC: B23Q17/09
Abstract: 本发明公开了一种基于大数据挖掘的变工况下刀具磨损状态预测方法，用于解决现有刀具磨损状态预测方法准确率差的技术问题。技术方案是采用大数据技术，通过获取变工况因素的全样本数据，并对前馈神经网络FFNN数据挖掘方法进行改进，使其具有增量学习的能力，能不断融合新的工况获得更准确的预测模型。由于考虑了影响刀具磨损的全样本数据，并对新的刀具状态特征向量进行增量学习，不断融和学习新的工况获得更准确的预测模型，并为进一步分析影响刀具磨损的相关因素提供依据。与现有技术相比，本发明对新增工况进行学习，提高了变工况下刀具磨损状态预测的准确率。经检测，最小误差结果为err＝0.03933，即预测准确率提高96％以上。
-
公开(公告)号：CN106217128A
公开(公告)日：2016-12-14
申请号：CN201610530156.X
申请日：2016-07-06
Applicant: 陕西柴油机重工有限公司 , 西北工业大学
IPC: B23Q17/09
CPC classification number: B23Q17/0995
Abstract: 本发明公开了一种基于大数据挖掘的变工况下刀具磨损状态预测方法，用于解决现有刀具磨损状态预测方法准确率差的技术问题。技术方案是采用大数据技术，通过获取变工况因素的全样本数据，并对前馈神经网络FFNN数据挖掘方法进行改进，使其具有增量学习的能力，能不断融合新的工况获得更准确的预测模型。由于考虑了影响刀具磨损的全样本数据，并对新的刀具状态特征向量进行增量学习，不断融和学习新的工况获得更准确的预测模型，并为进一步分析影响刀具磨损的相关因素提供依据。与现有技术相比，本发明对新增工况进行学习，提高了变工况下刀具磨损状态预测的准确率。经检测，最小误差结果为err＝0.03933，即预测准确率提高96％以上。
-
Patent Agency Ranking
公开(公告)号：CN101323030A
公开(公告)日：2008-12-17
申请号：CN200810150378.4
申请日：2008-07-17
Applicant: 西北工业大学
IPC: B23C3/18
Abstract: 本发明公开了一种薄壁叶片缘头曲面的径向铣削方法，首先对待加工的薄壁叶片进行三维建模，并对薄壁叶片三维模型加工坐标系进行调整，分别提取出叶盆曲面、叶背曲面、前缘曲面和后缘曲面，并划分叶身曲面上有效的加工区域，分别对叶盆曲面和叶背曲面进行切触点轨迹设计，得到覆盖整个加工区域的切触点轨迹线，在叶片的前后缘处构造连接叶盆刀位点轨迹线和叶背刀位点轨迹线的非均匀B样条曲线，计算出相应的刀轴矢量与刀位点。由于在加工过程中只有叶盆和叶背曲面参与切削，前后缘曲面单独处理，避免了由于前后缘处刀位点密集、刀轴矢量变化剧烈而导致的过切，加工精度由现有技术的0.24～0.60mm提高到0.05～0.10mm，同时提高了加工效率。
-
公开(公告)号：CN118410325A
公开(公告)日：2024-07-30
申请号：CN202410572762.2
申请日：2024-05-10
Applicant: 西北工业大学
IPC: G06F18/213 , G06F18/2131 , G06F18/25 , G06F18/2135 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明提供了一种基于数据驱动的时变工况下切削残余应力预测方法，属于切削加工技术领域。该方法通过采集试验过程中的时变信号、非时变信号以及切削残余应力值，将非时变信号统一表征处理，针对时变信号数据进行自适应特征提取，设计高维数据的低维表示的特征提取方式，再将处理后的非时变信号与时变信号融合，作为CNN切削残余应力预测模型的输入，并将切削残余应力值作为模型输出，建立了时变工况下采集数据与最终的残余应力之间的复杂映射关系，实现切削残余应力的在线预测。本发明利用卷积神经网络结构表达各个工况因素特征与切削残余应力之间的非线性关系，能够基于加工过程数据快速实现对切削残余应力的预测。
-
公开(公告)号：CN118246173A
公开(公告)日：2024-06-25
申请号：CN202410365299.4
申请日：2024-03-28
Applicant: 西北工业大学
IPC: G06F30/17 , G06F30/27 , G06F111/08 , G06F111/06
Abstract: 本发明涉及船用柴油机多工序、多影响因素的生产技术领域，特别涉及到一种基于贝叶斯网络的船用柴油机连杆装配变形预测方法。该方法采用贝叶斯网络建立连杆变形预测模型，综合考虑连杆装配的多道工序以及多个质量特征的影响，分别采用遗传算法‑K2算法进行贝叶斯网络结构学习、采用最大似然估计进行贝叶斯网络参数学习、采用联结树算法进行贝叶斯推理，能够有效挖掘装配阶段不同质量特征与连杆变形之间的影响关系，实现多工序、多影响因素条件下的连杆变形程度的装配前预测，为连杆装配阶段参数调整、工艺优化提供理论模型以及建设性根据，也可为多阶段、多因素影响的质量分析过程提供方法指导。
-
公开(公告)号：CN110472774B
公开(公告)日：2023-06-20
申请号：CN201910657300.X
申请日：2019-07-19
Applicant: 西北工业大学
IPC: G06Q10/04 , G06F30/27 , G06N3/0442
Abstract: 本发明公开了一种基于LSTM网络的变工况下刀具剩余寿命预测方法，用于解决现有刀具寿命预测方法实时性差的技术问题。技术方案是采用希尔伯特黄变换从过程监测信号中提取出磨损特征，并对多工况因素加工工况场景进行定义，通过长短期记忆网络学习加工中工况场景与刀具磨损特征变化之间的关联关系，预测刀具剩余寿命。由于LSTM模型充分考虑时间序列中工况场景和磨损特征的变化及其累积效应，同时LSTM的模糊性能够在空间上对工况场景和加工磨损特征复杂相关关系进行建模。本发明考虑了变工况场景下工况变化与刀具磨损之间复杂的时空关系，实用性好。与现有技术相比，预测误差达到0.01，样本实例的网络预测准确率达到85％以上。
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.02 seconds)
