基于深度学习和时序回归模型的刀具剩余寿命预测方法

    公开(公告)号:CN114749996A

    公开(公告)日:2022-07-15

    申请号:CN202210577542.X

    申请日:2022-05-25

    Inventor: 路勇 王振驰 高栋

    Abstract: 基于深度学习和时序回归模型的刀具剩余寿命预测方法,解决了现有刀具剩余寿命预测精度不高的问题,属于数控刀具预测性维护领域。本发明包括:采集加工过程各个通道采样点的刀具振动、切削力和声发射信号,计算出4维数据,包括均值、方差、偏度和峰度;将4维数据输入至深度卷积残差神经网络刀具磨损监测模型中,输出刀具磨损值;对刀具磨损值进行平滑处理,输出磨损序列。再输入到差分整合移动平均自回归刀具磨损超前预报模型中,预报出超前N步刀具磨损值,当第N步值未到达阈值时,将当前时刻剩余寿命预测为最大剩余寿命值;当第M步值到达或超过阈值,将当前时刻剩余寿命预测为M‑1个切削行程,M≤N。

    一种基于粒子群算法的刀具选配方法

    公开(公告)号:CN114912706A

    公开(公告)日:2022-08-16

    申请号:CN202210617592.6

    申请日:2022-06-01

    Abstract: 一种基于粒子群算法的刀具选配方法,解决了现有刀具选配过程存在过于主观、无法根据制造任务需求实现刀具快速精准选配的问题,属于机械加工制造技术领域。本发明包括:S1、确定加工信息,包括加工对象的材料所属类型、加工任务类型、使用的加工机床和切削参数;S2、根据加工信息在数据库中进行初步选配,获得可行刀具集合;S3、以切削速度和进给量作为设计变量,选择加工生产时间最短或生产成本最低作为优化目标,添加约束条件建立以生产时间最短或生产成本最低为目标的优化模型:S4、基于粒子群算法利用S2中的可行刀具集合对优化模型进行求解,在可行刀具集合中得到生产时间最短或生产成本最低的刀具选配最佳方案。

    少标记下基于物理信息自监督学习的刀具磨损量预测方法

    公开(公告)号:CN119589494A

    公开(公告)日:2025-03-11

    申请号:CN202411799784.9

    申请日:2024-12-09

    Abstract: 少标记下基于物理信息自监督学习的刀具磨损量预测方法,属于数控加工中心刀具磨损状态预测技术领域。包括采集加工过程中的切削力、振动和声发射等监测信号;每个样本进行截取和Z分数标准化的预处理操作;设计混合残差卷积神经网络刀具磨损监测模型,对多源传感器信号进行信息融合和高维表征提取;利用辅助任务一对刀具磨损监测模型进行预训练,引导模型提取信号的不变性特征;本发明在标记数据稀缺的情况下,实现了对刀具磨损的高精度预测和出色的泛化能力,能够有效减少预测误差的波动幅度,保持预测结果的稳定性。本发明在模型训练中有效利用了少量标记数据,确保了刀具磨损监测的稳定可靠性,符合实际生产中对监测精度和适应性的要求。

    一种基于迁移学习的刀具磨损监测方法

    公开(公告)号:CN115351601B

    公开(公告)日:2024-05-28

    申请号:CN202211199862.2

    申请日:2022-09-29

    Inventor: 路勇 王振驰 高栋

    Abstract: 一种基于迁移学习的刀具磨损监测方法,解决了当前基于深度学习的刀具磨损监测模型只能面向单一工况进行建模的问题,属于数控加工中心刀具磨损状态预测技术领域。本发明包括:S1、采集原始工况和新工况下加工过程的监测信号;S2、获取原始工况下和新工况下的刀具磨损值标签,与监测信号整合,得到带标签的原始工况数据集和新工况数据集;S3、构建基于边缘分布自适应的迁移学习模型;S4、以最小化迁移学习模型损失函数为目标,并利用数据集训练,训练完成获得的新工况刀具磨损监测模型;S5、获取新工况当前时刻的监测信号,将监测信号输入至新工况刀具磨损监测模型进行预测。

    一种基于迁移学习的刀具磨损监测方法

    公开(公告)号:CN115351601A

    公开(公告)日:2022-11-18

    申请号:CN202211199862.2

    申请日:2022-09-29

    Inventor: 路勇 王振驰 高栋

    Abstract: 一种基于迁移学习的刀具磨损监测方法,解决了当前基于深度学习的刀具磨损监测模型只能面向单一工况进行建模的问题,属于数控加工中心刀具磨损状态预测技术领域。本发明包括:S1、采集原始工况和新工况下加工过程的监测信号;S2、获取原始工况下和新工况下的刀具磨损值标签,与监测信号整合,得到带标签的原始工况数据集和新工况数据集;S3、构建基于边缘分布自适应的迁移学习模型;S4、以最小化迁移学习模型损失函数为目标,并利用数据集训练,训练完成获得的新工况刀具磨损监测模型;S5、获取新工况当前时刻的监测信号,将监测信号输入至新工况刀具磨损监测模型进行预测。

Patent Agency Ranking