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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于ResNet-GAN与小波神经网络的多齿刀具破损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：CN119474859B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411480216.2，技术领域涉及：G06F18/214；该发明授权一种基于ResNet-GAN与小波神经网络的多齿刀具破损监测方法是由乔政;李铎;康舒豪;龙超;刘欢;李子腾;刘宇虎;宁永晨;倪玟杰设计研发完成，并于2024-10-23向国家知识产权局提交的专利申请。

本一种基于ResNet-GAN与小波神经网络的多齿刀具破损监测方法在说明书摘要公布了：一种基于ResNet‑GAN与小波神经网络的多齿刀具破损监测方法，属于刀具监测技术领域。用于提高样本扩充中生成信号的质量，降低样本训练的不平衡比，并且实现深度特征的可视化。本发明对破损样本进行了样本扩充，实现了少数类样本的数据增强，使得算法可以更充分地学习破损信号的特征，降低了样本训练的不平衡比，提高了训练准确率；另外本发明通过ResNet残差块、梯度惩罚项的结合使得在深层的神经网络中仍能保证梯度正常传播，保持训练平滑和稳定，减少梯度爆炸的现象，提高了生成信号的质量；通过多小波函数核卷积模块从不同维度提取信号深层特征，实现了特征可视化，可以更好地区分不同的破损状态。

本发明授权一种基于ResNet-GAN与小波神经网络的多齿刀具破损监测方法在权利要求书中公布了：1.一种基于ResNet-GAN与小波神经网络的多齿刀具破损监测方法，其特征在于：包括以下步骤： S1.搭建刀具破损状态监测系统，采集不同刀具破损状态对应的切削加工传感信号样本数据； S2.针对采集的不平衡真实样本，进行样本扩充工作； 基于ResNet-GAN的样本扩充网络的网络架构包括 残差块，用于更有效地学习真实样本的特征； 辅助分类器，帮助生成器更有效地学习数据分布；辅助分类器的损失函数采用Wasserstein距离作为指标计算真实样本和生成样本的差异，并且添加了梯度惩罚项； 辅助分类器的损失函数为： 其中：代表真实数据x在辅助分类器的得分，是表示生成数据Gz在辅助分类器的得分，是梯度惩罚项； 随机噪声信号通过样本扩展网络生成假信号，该网络专为一维噪声输入而设计，生成器网络由四组Linear层组成，神经元个数分别是128、256、1024、2048，这些层将高维输入转换为复杂的数据表示，捕获目标数据的特征分布，每一层后面都有一个LeakyReLU激活层，缓解与标准ReLU相关的“神经元死亡”问题，每次激活后都会包含BN层，引入了残差块，输出层使用Tanh激活函数对输出归一化到[-1，1]范围内； 辅助分类器网络架构也由四个Linear层组成，用于提取和处理特征以进行真实性判断，神经元个数分别是2048、1024、256、128，每个Linear层之后都有一个LeakyReLU激活层，每个LeakyReLU层之后都有个Dropout层，输出层使用Sigmoid激活函数，将输出压缩到0到1之间的概率，表示样本为真实信号的可能性， S3.将经过样本扩充后的数据集分为训练集和测试集，训练集输入至基于小波神经网络的刀具破损监测模型中进行训练，并用测试集进行测试； 所述S3中，基于小波神经网络的刀具破损监测模型中进行训练，包括以下步骤： S301.建立数据集，将训练集每批次的样本的信号值转化为张量输入至基于小波神经网络的特征提取模块； S302.将样本依次与不同的小波函数核做卷积操作，得到各自的特征张量矩阵，训练不同小波函数核对应的权重张量，对各自的特征张量矩阵进行加权相加； S303.经过残差块、归一化层、激活层等模块，再经过softmax层后得到预测结果，将预测结果与真实标签对比，得到损失值以更改网络权重； S304.当达到足够的训练轮次后停止训练，输出基于小波神经网络的刀具破损监测模型； S305.将特征张量矩阵经过T-SNE特征降维模块后得到二维矩阵，用于结果可视化； S4.采集新的实时信号，将信号输入至训练完成的基于小波神经网络的刀具破损监测模型，输出此时刻刀具的破损状态和特征可视化结果。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。