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！

龙图腾网获悉南昌航空大学申请的专利基于卡尔曼滤波的融合模型实现刀具状态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：CN117020753B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202311239096.2，技术领域涉及：B23Q17/09；该发明授权基于卡尔曼滤波的融合模型实现刀具状态监测方法是由秦国华;谭志朴;王华敏;林锋;侯源君设计研发完成，并于2023-09-25向国家知识产权局提交的专利申请。

本基于卡尔曼滤波的融合模型实现刀具状态监测方法在说明书摘要公布了：本发明提出一种基于卡尔曼滤波的融合模型实现刀具状态监测方法，通过采集刀具加工时的信号以及切削刃后刀面磨损量，对于采集信号进行预处理，不同预处理后的信号使用不同方法进行噪声的去除，对于处理后的信号进行特征提取，建立刀具磨损状态的融合预测模型，将包含时刻递推关系的物理模型作为预测方程，选择合适数据模型代入提取特征预测刀具磨损并将磨损数值直接应用于观测方程。本发明在充分利用传感器特点的同时降低数据维度，通过物理模型建立磨损量前后时刻的递推关系实现刀具磨损量的实时在线监测，仅需简易的预测结构即可实现模型的快速建立和实时监测过程。

本发明授权基于卡尔曼滤波的融合模型实现刀具状态监测方法在权利要求书中公布了：1.基于卡尔曼滤波的融合模型实现刀具状态监测方法，其特征在于，其步骤如下： 1采集刀具加工时的信号以及切削刃后刀面磨损量： S01：在夹具上安装测力仪测量XYZ三个方向的力信号Fx,Fy,Fz；在刀具进给方向、主轴径向和轴向方向安装振动传感器测量XYZ三个方向振动信号Vx,Vy,Vz；在工件上安装一个声发射传感器S，测量声发射均方根值，则每次实验采集七组传感器信号，即：Fx,、Fy,、Fz,、Vx,、Vy,、Vz,和S； S02：每次切削结束后测量三次后刀面磨损量并计算平均值； 2由于存在外界环境噪声和机床内部因素，需要对于采集信号进行预处理： S01：信号场景趋势项的消除： 由于机床自身运行温升以及外界环境温度变化等将会引起场景趋势项，记t为采样时间，x为采集信号，ti,xi表示时刻ti采集信号数值xi，假设t内采样点数为n，x可采用k阶多项式拟合： 式中，αj为最高次数为k的多项式次数； 若记则采用最小二乘法获得系数： Α＝tTt-1tTx2 式中，t为采样时间的系数矩阵，A为多项式次数的采样矩阵，x为采集信号的数值； S02：信号零点漂移的消除： 信号初始阶段包含未加工状态，假定前k个采样点为未加工状态信号，移动前k个信号的平均值将信号平移至零点： 式中，si为预处理后的信号； 3对于预处理后的力信号使用小波去噪方法进行噪声的去除： S01：对于信号进行小波分解和低频重构，可以得到含有较少高频噪声的信号，其中小波基函数ψ和分解尺度m均会影响去噪效果，根据信噪比、均方根误差和平滑度，利用熵值法构造融合去噪指标统一评判标准； 式中，SNR为信噪比，RMSE为均方根误差，S为平滑度，sreal＝[sreal,1sreal,2…sreal,n]为理想信号，为去噪信号； 对于各指标值归一化至0.1～1范围内： 式中，I表示归一化去噪指标； 使用熵值法确定各指标权重： 式中，P为概率，E为熵值，W为权重，C为常数设置为参与排序指标的总数； 结合式5和式6构造不同小波参数下的融合去噪指标T： Tψ,m＝WSNR×ISNRψ,m+WRMSE×IRMSEψ,m+WS×ISψ,m7 S02：由于实际过程无法获得理想信号，需要构造仿真信号加噪后去噪计算最优降噪参数； 周期性信号可以视为不同正弦信号的叠加，在频域中选择能量超出指定阈值时所对应的信号频率，计算其正弦信号的频率、幅值和相位，叠加构造仿真信号； 对于仿真信号添加高斯白噪声模拟实际加工状态下的噪声；由于每次生成的噪声是随机的，构造多次仿真信号的含噪信号并用融合指标的均值衡量去噪效果； 4对于预处理后的振动信号使用平滑方法进行噪声的去除： 在平滑区间使用多项式近似，使用平滑区间中的信号点数求解待定参数；取平滑窗口为5，多项式近似次数为3，又被称为5点3次均值平滑法；其计算公式如下： 5对于处理后的信号进行特征提取； S01：对于实验采样时间进行统一，假设信号采样时间为t0，保留时间为t*，保留时间的开始采样点为tstart，结束采样点为tend，采样频率为ω，则删减后开始和结束的采样点设置为： S02：时域特征分析方法：对于刀具7组传感器信号的多次实验进行时域分析；包括均值、均方根值、方差、偏斜度、峭度、峰值指标、波形指标、脉冲指标和裕度指标； S03：频域特征分析方法：通过傅里叶变换计算频率ω和能量pω的关系，对于刀具7组传感器信号中力和声发射的多次实验进行频域分析；包括重心频率、均方频率、均方根频率、频率标准差、频率方差和频率总能量； S04：时频特征小波包分析：振动信号在低频和高频均有能量集中，使用4层小波分解将振动信号分解为16个频段，计算所有组实验中每个频段能量的极差和方差，选择极差和方差数值较大的小波包节点，再使用S03的频域特征分析； S05：特征降维：计算同种传感器不同特征之间的自相关性，保留最具代表性的特征实现特征降维，相关性分析使用Pearson相关系数计算如下： 式中，λi,λj分别是第i个和第j个特征分析方法的计算结果；|rij|越接近于1，λi,λj相关程度越高；相关性计算后使用t检验判断显著性； 完成自相关分析后，保留最具代表性的特征，对特征进行降维处理；再建立降维数据与刀具磨损状态之间的相关性，选择高度相关的特征进行第二次降维，部分传感器可能存在所提取的所有特征与刀具磨损相关性较低的情况，则每种传感器至少选择一种特征作为预测模型的输入； 6建立刀具磨损状态的融合预测模型：建立包含时刻递推关系的物理模型作为预测方程，选择合适数据模型代入提取特征预测刀具磨损并将磨损数值直接应用于观测方程，完成多种模型之间的融合以降低误差； S01：刀具磨损阶段的分类：将刀具的磨损划分为三个不同的磨损阶段，每个阶段建立不同预测模型；将刀具磨损情况转换为随时间变化的一阶导数，判断如何进行刀具磨损状态的划分；选择决策树作为分类预测模型，输入为步骤5所提取到的最后特征，输出为刀具磨损分类的阶段，快速而准确实现刀具磨损阶段的分类； S02：建立刀具磨损的物理模型：刀具初期、中期和后期磨损满足不同的预测方程，磨损失效服从Weibull分布；通过刀具磨损时域图像的导数图像判断三种磨损状态的分界点；假设初期磨损变化率随时间降低；中期磨损变化率随时间不变且不为零；后期磨损变化率随时间增加；初期和后期磨损Weibull分布根据变化规律假设为匀加速直线运动： 中期磨损Weibull分布根据变化规律假设为匀速直线运动： 仅需要测量每个磨损时期的的磨损量，磨损速度和磨损加速度初值，即可建立整个周期的物理模型递推关系表达式； S03：建立刀具磨损的数据模型：通过提取的最优特征建立与刀具磨损量的联系；选择多种结构较为简单的数据预测模型，较为快速预测出大致趋势即可；对于每种数据模型计算其预测磨损量与真实磨损量的误差； S04：基于卡尔曼滤波建立融合预测模型：刀具磨损量随时间变化可视为连续随机过程，将步骤6中S02的结果作为预测方程，将步骤6中S03的结果作为观测方程，综合两者数值准确预测刀具磨损量； 定义t时刻刀具磨损物理模型的预测量为Y0，预测量取值为y0；选择一个传感器提取特征后数据模型并定义观测量为Y1，观测量取值为y1；定义概率密度函数为f；则刀具磨损的后验概率形式表示为： 式中， 称为似然函数； 选择正态分布模型对于似然函数进行简化计算： 将t时刻推广至连续时间过程，构造预测和观测的方程；预测方程需要寻找物理模型前后时刻的递推关系，而数据模型输出值可以直接应用于观测方程；假设预测方程前后时刻的递推关系为F，使用1个数据模型的结果作为观测方程t时刻的判断值GY0,t，预测和观测的模型噪声分别表示为Qt和Rt，连续过程中的预测模型和观测模型表示为： 设置初始值为f0y0，并进行一次预测f1 -y0和更新f1 +y0的概率密度函数计算： 式中，后续的计算依次通过式15递推； 通过概率密度函数直接求解每次时刻t后的具体更新数值： 在其基础上进行两个假设求解无穷积分；假设预测和观测方程是线性的，预测和观测噪声服从正态分布： 式中，Fc,Gc为常数，将假设代入递推过程得到KF计算公式： 式中，为卡尔曼增益，分别为t时刻的物理模型预测值和更新值，分别为t时刻预测值和更新值的误差，y1,t为t时刻的数据模型输出值； 预测方程包含刀具磨损量、磨损速度和磨损加速度信息，改写为向量形式误差改写为协方差矩阵形式σt→∑t；选择的数据模型由单个推广至多个进行刀具磨损的预测，改写为Yt＝[y1,ty2,ty3,t…]；Fc,Gc,Qt,Rt为矩阵形式常数，矩阵形式的KF如下： 式中，为卡尔曼增益，MI为单位矩阵； 根据在不同磨损阶段的预测误差百分比，设置预测和观测的置信程度；得到最终的刀具磨损量曲线。

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南昌航空大学，其通讯地址为：330063 江西省南昌市丰和南大道696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”。