Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 杭州电子科技大学倪敬获国家专利权

杭州电子科技大学倪敬获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉杭州电子科技大学申请的专利一种基于声振信号特征融合图的旋转刀具磨损监测方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN116787225B

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202310380723.8,技术领域涉及:B23Q17/09;该发明授权一种基于声振信号特征融合图的旋转刀具磨损监测方法是由倪敬;刘轩松;傅云;陈彦臻;蒙臻;李锐智设计研发完成,并于2023-04-10向国家知识产权局提交的专利申请。

一种基于声振信号特征融合图的旋转刀具磨损监测方法在说明书摘要公布了:本发明公开了一种基于声振信号特征融合图的旋转刀具磨损监测方法,对检测信号进行时域、频域、波形和小波域特征提取,并将提取的特征与刀具磨损值进行相关性计算,选取相关系数大的特征与旋转刀具本征特征进行融合,来建立刀具磨损的特征融合图数据集;而且,使用模型融合技术建立具有三层网络融合的集成神经网络架构,采用特征融合图数据集进行训练和验证。本发明建立的集成神经网络对旋转刀具磨损的预测准确率达到了97.85%,且对前期磨损、中前期磨损、中期磨损、中后期磨损、后期磨损和失效的6种磨损等级中单个磨损类别的预测结果中,除中后期磨损的准确率未达到0.9,其余磨损类别的预测准确率均在0.95以上。

本发明授权一种基于声振信号特征融合图的旋转刀具磨损监测方法在权利要求书中公布了:1.一种基于声振信号特征融合图的旋转刀具磨损监测方法,其特征在于:具体如下: 步骤一、设置切削参数和走刀路径; 步骤二、搭建声振信号刀具磨损测试平台,声振信号刀具磨损测试平台包括电子显微镜、信号采集仪、三向加速传感感器、声级计和图像采集设备,图像采集设备包括立式工业相机和卧式工业相机,三向加速度传感器与机床的主轴固定,声级计、立式工业相机和卧式工业相机均与机床的工作台固定; 步骤三、进行切削实验并获取切削过程的三向加速度信号、声信号、VB值和磨损图像; 步骤四、从三向加速度信号的每个方向加速度信号中提取时域特征和波形特征,共11类特征值,分别为均值、标准差、偏度、峰度、峰峰值、均方根、波峰因子、波形因子、脉冲因子、裕度因子、能量;然后,从三向加速度信号的每个方向加速度信号中提取频域特征,共11类特征值,分别为频域幅值平均值、重心频率、均方频率、频率方差、频率幅值方差、平均频率、中值频率、总功率、平均功率、最大功率对应频率和低频功率与高频功率比;接着,使用小波变换对三向加速度信号的每个方向加速度信号进行小波包分解和小波包重构处理,获取8个小波能量比、8个小波能量熵、1个小波能谱熵,同时对三向加速度信号进行奇异分解获取1个小波包奇异谱熵;完成时域、波形、频域、小波域特征提取后,从三向加速度信号得到振动信号特征矩阵;最后,针对声信号,仅在时域上进行特征提取,得到声信号特征矩阵; 步骤五、先求三向加速度信号的时域特征、频域特征和小波域特征与三个刀刃后刀面VB值平均值的相关系数,再求声信号的时域特征与三个刀刃后刀面VB值平均值的相关系数; 步骤六、筛选出与三个刀刃后刀面VB值平均值的相关系数大于0.5的特征,得到筛选特征矩阵,对筛选特征矩阵中各元素进行均值归0操作,然后实现三向加速度信号、声信号特征与旋转刀具本征特征的融合; 步骤七、将旋转刀具的磨损等级分为6类,见下表,其中,刀具磨损值区间中的磨损值指的是三个刀刃后刀面磨损带宽的平均值; 步骤八、建立刀具磨损的特征融合图数据集; 步骤九、使用模型融合技术建立集成神经网络架构并进行训练和验证,具体为:搭建基于特征融合图的集成神经网络,主要由网络一、网络二、网络三和投票器组件构成;网络一作为集成神经网络的上层架构,结构为2个卷积激活层、3个全连接层和1个Softmax分类器;网络二作为集成神经网络的中层架构,结构为从左至右的2个卷积激活层与1个卷积池化层的组合层、2个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、2个带损失的全连接激活层、1个全连接层和1个Sotfmax分类器;网络三作为集成神经网络的下层架构,结构为1个卷积激活层与1个卷积池化层的组合层、1个卷积激活层与1个卷积池化层的组合层、3个卷积激活层与1个卷积池化层的组合层、2个带损失的全连接激活层、1个全连接激活层、1个全连接层和1个Softmax分类器;设置损失函数和迭代器,通过训练集对基于特征融合图的集成神经网络进行训练,建立基于特征融合图的集成神经网络模型指标,对基于特征融合图的集成神经网络在测试集上进行验证。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人杭州电子科技大学,其通讯地址为:310018 浙江省杭州市下沙高教园区2号大街;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。