龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：安徽农业大学
申请日：2022-12-15
公开（公告）日：2024-06-21
公开（公告）号：CN115890340B
主分类号：B23Q17/09
分类号：B23Q17/09;G06F18/2135;G06F18/241;G06N3/0495
优先权：
专利状态码：有效-授权
法律状态：2024.06.21#授权;2023.04.21#实质审查的生效;2023.04.04#公开
摘要：本发明公开了一种稀疏框架下压缩学习自适应网络的刀具磨损预测方法，具体包括:获取铣刀磨损多通道退化数据，提取各通道退化数据的健康特征参数，得到多通道高维健康因子时间序列；采用主成分分析方法降维得到铣刀磨损融合健康因子时间序列；利用非凸罚小波核奇异值稀疏分解模型对融合健康因子时间序列进行分解，得到低频趋势序列与高频振荡序列；利用压缩缓变学习及自适应动量因子网络算法对低频与高频序列分别预测，叠加得到铣刀磨损退化趋势健康因子时间序列。本发明无需考虑外界环境因素以及切削工况对铣刀磨损性能影响，不受铣削机床‑铣刀‑工件系统物理结构参数的影响，适合铣刀多通道服役退化数据一次性预测，运行速度快，预测精度高。
主权项：1.一种稀疏框架下压缩学习自适应网络的刀具磨损预测方法，其特征在于：包括以下步骤，步骤1：利用力传感器或加速度传感器采集运行过程中的多通道铣削刀具从稳定铣削，到颤振孕育，再到颤振爆发数据的全寿命时间序列；步骤2：对采集的多通道铣削刀具全寿命时间序列进行预处理，剔除数据的突变点，野点与奇异点，提取各个通道健康因子时间序列的特征参数，包括时域特征因子参数与频域特征因子参数，得到铣刀磨损的多通道高维健康因子时间序列；步骤3：利用主成分分析方法对多通道高维健康因子时间序列数据进行降维，将降维后的融合健康因子时间序列作为预测对象；步骤4：利用非凸罚小波核奇异值稀疏分解方法对融合健康因子时间序列进行自适应分解，分别得到低频健康因子时间序列与高频健康因子时间序列；步骤5：计算融合健康因子时间序列数据的Hurst指数与分数阶数；步骤6：将低频健康因子时间序列与高频健康因子时间数据序列分别作为输入，构建一种压缩缓变学习及自适应动量因子网络算法，利用该方法分别对低频健康因子时间序列与高频健康因子时间数据序列进行预测，叠加得到刀具磨损退化趋势的健康因子预测序列，并作为预测输出；步骤7：根据预测输出结果对未来退化趋势时间序列进行预测跟踪，进而实现铣削机床与铣削刀具的预测性维护。
全文数据：
权利要求：
百度查询： 安徽农业大学 一种稀疏框架下压缩学习自适应网络的刀具磨损预测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号