-
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分类号： B23Q17/09
摘要： 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：CN117236381B
公开(公告)日：2024-02-02
申请号：CN202311474118.3
申请日：2023-11-08
IPC分类号： G06N3/0442 , G06N3/126 , G06F18/2415 , G06F18/213
摘要： 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：CN117420790A
公开(公告)日：2024-01-19
申请号：CN202311356384.6
申请日：2023-10-19
IPC分类号： G05B19/404
摘要： 本发明提供了基于领域自适应的机床进给轴热误差模型迁移学习方法，属于机床热误差补偿领域，可用于有至少两个进给轴的机床有多条进给轴的机床。第一步，选择温度测点进行数据测试；第二步，利用长短时记忆网络构建一条进给轴的热误差模型；第三步，基于分段插值扩展数据，并训练热误差模型；第四步，利用CORAL算法实现温度数据源域与温度数据目标域的领域自适应；第五步，基于所述领域自适应将所述热误差模型迁移至另一条进给轴。本发明仅需测试数控机床其中一条进给轴的热误差数据，即可实现热误差模型在同一台机床的不同进给轴间迁移，有效提升了热误差模型的建模效率，从而减少了对机床的占用时间。
-
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分类号： B23Q17/09
摘要： 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：CN117236381A
公开(公告)日：2023-12-15
申请号：CN202311474118.3
申请日：2023-11-08
IPC分类号： G06N3/0442 , G06N3/126 , G06F18/2415 , G06F18/213
摘要： 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分类号： B23Q17/09
摘要： 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：CN117697533A
公开(公告)日：2024-03-15
申请号：CN202311563836.8
申请日：2023-11-22
申请人： 大连理工大学
IPC分类号： B23Q17/09 , G06F18/10 , G06N3/0442 , G06N3/08
摘要： 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：CN113103068B
公开(公告)日：2022-03-29
申请号：CN202110416755.X
申请日：2021-04-19
申请人： 大连理工大学
IPC分类号： B23Q17/09
摘要： 本发明属于加工状态监测领域，一种基于深度迁移学习的刀具状态监测方法。步骤如下：首先，通过两个三相加速度传感器和一个传声器采集加工过程中的振动信号与噪声信号；然后，对数据进行快速傅里叶变换，再采用Adasyn自适应合成采样算法解决数据集的不平衡问题；随后，构建深度置信网络，利用有标签的第一台机床数据训练刀具状态监测模型；最后，利用无标签的第二台机床数据实现模型的微调，首先共享源域模型与目标域模型的结构与权重，再引入多核最大均值差异衡量并缩小源域数据与目标域数据在隐藏层最顶层的距离。本发明所用的基于深度迁移学习的刀具状态监测方法迁移效果良好，省去了数据采集与标签划分的工作，降低了加工状态监测成本。
-
公开(公告)号：CN111037365B
公开(公告)日：2021-08-20
申请号：CN201911361333.6
申请日：2019-12-26
申请人： 大连理工大学
IPC分类号： B23Q17/09
摘要： 本发明提供了一种基于生成式对抗网络的刀具状态监测数据集增强方法，属于机械加工状态监测技术领域。首先，采用传感器采集系统获取刀具切削过程中的振动和声音信号；其次，将服从先验分布的噪声数据输入到生成器生成数据，并将生成数据和采集的真实样本数据输入到鉴别器进行鉴别，生成器和鉴别器两者之间进行对抗训练，直到训练完成；然后，利用训练好的生成器生成样本数据，并判断生成的样本数据和真实的刀具状态样本数据的分布是否相似；最后，结合深度学习网络模型预测刀具状态的准确性检验生成数据的可用性。该方法的最大优点能够增强刀具状态数据集，提高深度学习网络模型预测刀具状态的准确性。
-
公开(公告)号：CN110488754B
公开(公告)日：2020-07-14
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。
-
-
-
-
-
-
-
-
-
搜索结果
38 条记录 (耗时 0.079 秒)
