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！

申请/专利权人：电子科技大学

摘要：本发明提出了一种基于多传感器特征融合的刀具磨损预测方法；该方法包括传感器安装与数据采集、实时数据采集、刀具磨损观测与记录、数据集构建、数据预处理、数据集划分、模型搭建、网络训练参数设置以及刀具磨损预测。即使用多种传感器实时监测关键参数，并利用电子显微镜观测记录刀具磨损情况；建立包含传感器信号与磨损量关系的数据集，进行数据预处理；搭建的多通道卷积双向长短时记忆网络模型融合多传感器数据，提高预测准确性。该模型能充分利用各传感器收集信号的特点，分别捕捉特征并融合不同传感器数据特征，通过时间序列信息捕获及特征整合，为刀具磨损预测提供高准确性和效率。

主权项：1.一种基于多传感器特征融合的刀具磨损预测方法，该方法包括：步骤1，建立数据集；在每次数控机床工作时采集工作区域的声音信号A，采集刀具夹具上的X、Y、Z三个方向上的切削力信号B，X、Y、Z三个方向上的振动信号C；工作完成后利用电子显微镜对刀具的磨损状况进行精确观测，并计算出刀具的整体磨损程度；建立采集到的工作区域的声音信号，具夹具上的X、Y、Z三个方向上的切削力信号，X、Y、Z三个方向上的振动信号与对应刀具整体磨损程度的数据库；步骤2：数据预处理，包括噪声降低、无效数据移除和数据标准化；步骤3，划分数据集为训练集和测试集；步骤4，搭建磨损量识别模型；该磨损量识别模型包括：3个特征提取网络和1个深层全连接模块；3个特征提取网络的输入分别对应为声音信号A、切削力信号B、振动信号C，3个特征提取网络的输出共同输入给深层全连接模块；每个特征提取网络都依次由：浅层卷积网络模块、双向长短时记忆网络模块、全局平均池化模块依次串联；所述浅层卷积网络模块依次由：由三维卷积操作、激活函数、池化操作串联组成；浅层卷积网络模块与双向长短时记忆网络模块之间设置一Dropout层；全局平均池化模块后设置一Dropout层；所述深层全连接模块依次由：Concatenate层、第一全连接层、第一Dropout层、第二全连接层、第二Dropout层、单神经元的全连接层串联而成；所述Concatenate层为数据融合层。步骤5，设置磨损量识别模型训练所需参数；在磨损量识别模型的编译阶段，采用Adam优化器进行参数优化，采用如下公式为磨损量识别模型的损失函数： 其中，n表示样本的总数，yi表示第i个样本的真实值，表示第i个样本的预测值；步骤6，采用新的采集数据和训练好的磨损量识别模型对刀具进行磨损量识别。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于多传感器特征融合的刀具磨损预测方法