-
公开(公告)号：CN111177911B
公开(公告)日：2022-09-20
申请号：CN201911346390.7
申请日：2019-12-24
申请人： 大连理工大学
IPC分类号： G06F30/20 , G06F111/10
摘要： 一种基于SDAE‑DBN算法的零件表面粗糙度在线预测方法，首先将三向加速度传感器通过磁座吸附在机床主轴后轴承处，在被加工零件左前方放置传声器，采集机床切削过程的振动和噪声信号；消除动态信号的趋势项，再对信号进行平滑处理；其次对加工过程的数据进行截取和归一化；接着构建堆叠去噪自编码器，采用贪婪逐层算法对网络进行训练，将提取的特征作为深度置信网络的输入训练网络结构；最后将加工过程中的实时振动和噪声信号经数据处理后输入到深度网络中，网络输出当前表面粗糙度的优劣情况，从而实现表面粗糙度的实时预测。本方法可减少人工和专家经验的参与，降低带标签数据的获取难度，并且能够提高表面粗糙度预测的准确性。
-
公开(公告)号：CN111716150A
公开(公告)日：2020-09-29
申请号：CN202010610398.6
申请日：2020-06-30
申请人： 大连理工大学
摘要： 一种刀具状态智能监测的进化学习方法，利用三向加速度传感器和传声器采集振动信号和声信号，对信号进行平滑处理，并将其划分为训练集和测试集；采用堆叠自编码器对动态信号的深层次特征进行自动提取，并对提取的特征进行分类；根据训练集模型准确度对各算法进行权重分配，通过加权平均获得最终预测的刀具状态，并保存模型相关参数；将实际加工过程中的实时振动信号和声信号经数据预处理后输入保存过的监测模型中，获得对应信号的刀具状态，保存置信度水平较高的数据标签，并对网络参数进行更新，从而实现刀具状态智能监测的进化学习。本方法可避免人工的参与，降低计算复杂度，且能减弱机床性能退化对刀具状态监测模型预测准确度的影响。
-
公开(公告)号：CN111694320A
公开(公告)日：2020-09-22
申请号：CN202010522482.2
申请日：2020-06-10
申请人： 大连理工大学
IPC分类号： G05B19/408
摘要： 本发明公开了一种虑及颤振抑制的机床自适应控制方法，通过对数控加工过程中主轴电机功率信号以及主轴振动信号的实时监测，并基于主轴功率信号和振动信号对进给速度和主轴转速进行实时自适应调控，整个信号采集过程不影响正常的加工进行。虑及颤振抑制的机床自适应控制方法能有效地提高加工效率，并能对加工过程产生的颤振进行监测和抑制，在提升加工效率的基础上最大限度地提升加工质量，且能延长刀具和机床的使用寿命，降低生产成本。
-
公开(公告)号：CN111694320B
公开(公告)日：2021-04-20
申请号：CN202010522482.2
申请日：2020-06-10
申请人： 大连理工大学
IPC分类号： G05B19/408
摘要： 本发明公开了一种虑及颤振抑制的机床自适应控制方法，通过对数控加工过程中主轴电机功率信号以及主轴振动信号的实时监测，并基于主轴功率信号和振动信号对进给速度和主轴转速进行实时自适应调控，整个信号采集过程不影响正常的加工进行。虑及颤振抑制的机床自适应控制方法能有效地提高加工效率，并能对加工过程产生的颤振进行监测和抑制，在提升加工效率的基础上最大限度地提升加工质量，且能延长刀具和机床的使用寿命，降低生产成本。
-
公开(公告)号：CN111177911A
公开(公告)日：2020-05-19
申请号：CN201911346390.7
申请日：2019-12-24
申请人： 大连理工大学
IPC分类号： G06F30/20 , G06F111/10
摘要： 一种基于SDAE-DBN算法的零件表面粗糙度在线预测方法，首先将三向加速度传感器通过磁座吸附在机床主轴后轴承处，在被加工零件左前方放置传声器，采集机床切削过程的振动和噪声信号；消除动态信号的趋势项，再对信号进行平滑处理；其次对加工过程的数据进行截取和归一化；接着构建堆叠去噪自编码器，采用贪婪逐层算法对网络进行训练，将提取的特征作为深度置信网络的输入训练网络结构；最后将加工过程中的实时振动和噪声信号经数据处理后输入到深度网络中，网络输出当前表面粗糙度的优劣情况，从而实现表面粗糙度的实时预测。本方法可减少人工和专家经验的参与，降低带标签数据的获取难度，并且能够提高表面粗糙度预测的准确性。
-
公开(公告)号：CN110968038A
公开(公告)日：2020-04-07
申请号：CN201911308984.9
申请日：2019-12-18
申请人： 大连理工大学
IPC分类号： G05B19/4065
摘要： 一种基于数字孪生的数控机床进给轴热误差监测方法，步骤如下：基于三维建模软件和MATLAB脚本语言创建实体数控机床进给轴的虚拟数字化模型；基于MATLAB脚本语言和Simulink创建驱动数据采集模块，从数控系统获取几何模型驱动数据；基于Simulink创建热误差数据采集模块，获取热误差预测数据；基于Simulink将以上各模块通过数据输入输出接口连接，搭建起进给轴数字孪生体模型，实现进给轴热误差三维实时呈现；基于MATLAB脚本语言和Simulink创建面向用户的交互界面。该方法可实现机床进给轴热误差监测由数据化展现向视觉化呈现，为数字孪生技术在数控机床热误差监测领域的应用提供具体实施方法。
-
公开(公告)号：CN110488754A
公开(公告)日：2019-11-22
申请号：CN201910732917.3
申请日：2019-08-09
申请人： 大连理工大学
IPC分类号： G05B19/408 , G06N3/08
摘要： 本发明属于数控加工技术领域，公开了一种基于GA-BP神经网络算法的机床自适应控制方法，通过对工件数控加工过程中主轴电机功率信号以及主轴振动信号的实时监测，并基于主轴功率信号和振动信号对进给速度和主轴转速进行实时优化和自适应调整；整个信号采集过程不影响正常的加工进行。基于神经网络算法的机床自适应控制方法能有效地提高加工效率和加工质量，且能延长刀具和机床的使用寿命，降低成本。
-
公开(公告)号：CN111716150B
公开(公告)日：2021-07-02
申请号：CN202010610398.6
申请日：2020-06-30
申请人： 大连理工大学
摘要： 一种刀具状态智能监测的进化学习方法，利用三向加速度传感器和传声器采集振动信号和声信号，对信号进行平滑处理，并将其划分为训练集和测试集；采用堆叠自编码器对动态信号的深层次特征进行自动提取，并对提取的特征进行分类；根据训练集模型准确度对各算法进行权重分配，通过加权平均获得最终预测的刀具状态，并保存模型相关参数；将实际加工过程中的实时振动信号和声信号经数据预处理后输入保存过的监测模型中，获得对应信号的刀具状态，保存置信度水平较高的数据标签，并对网络参数进行更新，从而实现刀具状态智能监测的进化学习。本方法可避免人工的参与，降低计算复杂度，且能减弱机床性能退化对刀具状态监测模型预测准确度的影响。
-
公开(公告)号：CN111136509B
公开(公告)日：2021-06-08
申请号：CN202010027781.9
申请日：2020-01-10
申请人： 大连理工大学
IPC分类号： B23Q17/09
摘要： 本发明属于刀具状态监测技术领域，提供了一种基于ELM‑SDAE算法的刀具状态监测方法，先通过三向加速度传感器采集加工过程中的振动信号；再采用线性插值的方法对缺失值进行插补，采用朴素随机欠采样和添加白噪声的方法，对数据进行平衡处理，将振动信号进行矢量叠加获取主振动方向的有效值；接着构建ELM‑SDAE网络，采用贪婪逐层方法对网络模型进行训练；最后将实际加工过程中的实时振动经数据预处理后输入ELM‑SDAE网络中，网络输出刀具的当前状态，实现刀具状态的实时监测。本方法减少人工和专家经验的参与，避免训练过程可能陷入局部最优、学习率慢等能导致模型训练失败和泛化能力不足的情况，大幅度缩减网络的训练时间。
-
公开(公告)号：CN110968038B
公开(公告)日：2020-11-03
申请号：CN201911308984.9
申请日：2019-12-18
申请人： 大连理工大学
IPC分类号： G05B19/4065
摘要： 一种基于数字孪生的数控机床进给轴热误差监测方法，步骤如下：基于三维建模软件和MATLAB脚本语言创建实体数控机床进给轴的虚拟数字化模型；基于MATLAB脚本语言和Simulink创建驱动数据采集模块，从数控系统获取几何模型驱动数据；基于Simulink创建热误差数据采集模块，获取热误差预测数据；基于Simulink将以上各模块通过数据输入输出接口连接，搭建起进给轴数字孪生体模型，实现进给轴热误差三维实时呈现；基于MATLAB脚本语言和Simulink创建面向用户的交互界面。该方法可实现机床进给轴热误差监测由数据化展现向视觉化呈现，为数字孪生技术在数控机床热误差监测领域的应用提供具体实施方法。
-
-
-
-
-
-
-
-
-
搜索结果
15 条记录 (耗时 0.037 秒)
