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！

龙图腾网获悉吉林大学申请的专利一种数控车床刀具剩余寿命在线预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：CN116533063B 。

龙图腾网通过国家知识产权局官网在2026-01-16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：202310715845.8，技术领域涉及：B23Q17/09；该发明授权一种数控车床刀具剩余寿命在线预测方法是由张英芝;韩峰;刘津彤;郭桂明;宋敏侨;杨升;张涵;孙墨;刘思伟;程曦辉设计研发完成，并于2023-06-16向国家知识产权局提交的专利申请。

本一种数控车床刀具剩余寿命在线预测方法在说明书摘要公布了：本发明属于数控机床技术领域，涉及一种数控车床刀具剩余寿命在线预测方法，包括下述步骤：1、采用PSO对LSTM的学习率和隐含层神经元数的最优值进行迭代求解，建立CNN‑PSO‑LSTM模型，实现在单工况下对刀具磨损量进行在线监测；2、设置加工参数，采用迁移学习方法对变工况刀具磨损量进行在线监测；3、考虑刀具三个阶段磨损速率差异，基于三阶段Wiener过程描述刀具退化过程，进而根据首达时间概念，求得刀具剩余寿命估计；4、采用贝叶斯方法，并结合刀具磨损监测值，对模型参数进行实时更新，进而得到刀具剩余寿命的更新估计；本发明不仅考虑了刀具变工况加工情况，还考虑了刀具三个阶段磨损速率差异及个体之间的差异，为数控车床刀具换刀或维修策略奠定模型基础。

本发明授权一种数控车床刀具剩余寿命在线预测方法在权利要求书中公布了：1.一种数控车床刀具剩余寿命在线预测方法，包括下述步骤： 步骤一、结合CNN和LSTM的优势，并采用PSO对LSTM的学习率和隐含层神经元数的最优值进行迭代求解，从而建立CNN-PSO-LSTM模型，实现在单工况下对刀具磨损量进行在线监测； 步骤二、以CNN-PSO-LSTM模型为基础，设置加工参数，采用迁移学习方法对变工况刀具磨损量进行在线监测； 步骤三、考虑刀具三个阶段磨损速率差异，基于三阶段Wiener过程描述刀具退化过程，进而根据首达时间概念，求得刀具剩余寿命估计；三阶段为初期磨损阶段、正常磨损阶段、急剧磨损阶段； 步骤四、采用贝叶斯方法，并结合刀具磨损监测值，对模型参数进行实时更新，进而得到刀具剩余寿命的更新估计； 所述的步骤一中建立CNN-PSO-LSTM模型，在单工况下对刀具磨损量进行在线监测具体方法如下： CNN-PSO-LSTM模型主要由CNN层和PSO-LSTM层构成； CNN层采用“卷积层-池化层-批标准化层-激活函数层-卷积层-池化层-批标准化层-激活函数层”结构； 卷积层对输入数据进行特征提取； 池化层将卷积层输出的特征进行特征选择和信息过滤，从而达到特征压缩的目的； 使用批标准化层进行批量归一化，将每个隐含层的节点数据输入分布归一化为方差为1且均值为0的标准正态分布，从而加快训练速度； 激活函数层通过非线性变换来帮助表达复杂的特征，使用Relu函数作为激活函数，将所有的负值都赋值为0，而正值保持不变； 将CNN层输出的空间特征经过Flatten层转化为序列数据输入至LSTM层，采用PSO算法对LSTM层的学习率及隐含层神经元数进行优化；在每个LSTM层后加入Dropout层，从而避免发生过拟合现象； 将LSTM层输出的特征经过两个全连接层处理输出刀具磨损量； 采用Adam优化算法进行梯度计算，迭代调整模型权重，降低监测误差选择； 步骤二中实现变工况下的刀具磨损量监测的具体方法如下： 对于变工况刀具磨损监测需要考虑切削速度、切削深度和进给速度三个加工参数的变化，而单工况下刀具磨损监测CNN-PSO-LSTM模型没有设置加工参数，将加工参数实际值作为特征值，使用连接函数将加工参数特征值连接在全连接层之前； 将在单工况下刀具磨损监测CNN-PSO-LSTM模型中CNN层和Flatten层的参数进行固定；针对LSTM层和全连接层参数进行更新训练，使得最大均值差异最小，从而实现变工况下的刀具磨损量监测。

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吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699号；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”。

以上内容由龙图腾AI智能生成。