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刀具破损状态原位实时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：CN118060974B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202410400189.7，技术领域涉及：B23Q17/24；该发明授权一种刀具破损状态原位实时监测方法是由乔政;李铎;龙超;康舒豪;刘欢;李子腾;杜雨恒设计研发完成，并于2024-04-03向国家知识产权局提交的专利申请。

本一种刀具破损状态原位实时监测方法在说明书摘要公布了：一种刀具破损状态原位实时监测方法，属于刀具破损状态监测技术领域。基于多源信息融合特征、多算法结合，旨在实现高效、准确的刀具破损状态实时监测。通过集成多维力信号和多维振动信号，本发明能够综合利用切削过程中的多维度信息，从而提高监测精度和稳定性。本发明采用了生成对抗网络对不平衡样本进行增强，有效解决了传统监测方法中少数类样本不足的问题，从而提高了模型的泛化能力和判断准确率。深层特征提取结合多层阈值决策和多齿刀具崩刃智能辨识系统，进一步增强了对刀具破损类型识别的准确性和效率。本方法适用于各种机械加工场景，尤其是在要求高精度和高稳定性的先进制造领域，能够有效预防因刀具破损导致的生产事故。

本发明授权一种刀具破损状态原位实时监测方法在权利要求书中公布了：1.一种刀具破损状态原位实时监测方法，其特征在于：包括以下步骤： 步骤1：搭建刀具状态原位实时监测数据采集系统，采集切削加工传感信号样本数据和拍摄每次走刀后磨损区域的图像； 步骤2：对刀具磨损区域图像进行测量，得到刀具破损的标签，与所述传感信号样本数据构建样本数据序列； 步骤3：对切削加工信号进行数据分割和标准化处理，并输入至不平衡样本增强系统中进行数据增强； 步骤4：对数据增强后的数据集进行深层特征提取，将特征提取后的训练集输入至分类器中进行训练，并用特征提取后的测试集进行测试； 步骤5：步骤4中训练完成的分类器输入至识别刀具破损状态系统中； 步骤6：通过刀具状态原位实时监测数据采集系统采集实时信号，将实时信号输入至识别刀具破损状态系统中判断出刀具的破损状态， 所述步骤1中，所述刀具状态原位实时监测数据采集系统，包括力信号采集系统、振动信号采集系统及图像信号采集系统； 所述力信号采集系统通过将三通道力传感器安装在刀架上采集切削过程中的力信号，所述力信号包括沿工件轴向进给方向的力、沿工件径向的力和沿工件切向的力， 所述振动信号采集系统通过将三向加速度传感器安装在工件上或安装在刀架上采集切削过程中的三向振动信号， 所述三向振动包括沿工件轴向进给方向的振动、沿工件径向的振动和沿工件切向的振动， 所述图像信号采集系统通过工业相机或显微镜拍摄每次走刀后刀具磨损区域的图像， 所述步骤3中，不平衡样本增强系统的训练与数据增强过程，包括： 步骤311：建立数据集，数据集中的每个样本均包含如下参数：切削过程中的力信号，切削过程中的三向振动信号，对应的破损标签；将数据集划分为训练集和测试集； 步骤312：将训练集中的少数类样本筛选出来，建立少数类样本集，利用少数类样本集对不平衡样本增强系统中生成对抗网络的生成器进行训练； 步骤313：利用步骤312中训练完成的生成器生成新样本，通过与步骤312中的少数类样本集中的样本进行相似性评估，筛选出合适的样本输入至步骤311中的训练集中作为扩充样本， 所述相似性评估，包括以下步骤： 步骤320：根据实际情况，分别对K-L散度、欧式距离和皮尔逊相关系数设置一个阈值； 步骤321：取生成器生成的新样本，从少数类样本集中随机选取真实样本，计算生成样本与真实样本之间的K-L散度是否小于阈值，小于阈值则进行步骤322； 步骤322：计算步骤321中生成样本与真实样本之间的欧式距离是否小于阈值，小于阈值则进行步骤323； 步骤323：计算步骤321中生成样本与真实样本之间的皮尔逊相关系数是否大于阈值，大于阈值则将样本进行后续操作， 所述步骤4中，对数据增强后的数据集进行深层特征提取，包括： 计算所述传感信号样本数据序列的平均值、标准差、均方根、偏度、峰度、峰值、波形因子、峰值因子和脉冲因子； 对所述传感信号样本数据序列进行快速傅里叶变换并计算幅值，得到频率谱线序列，对所述频率谱线序列计算其功率谱均值、频率重心和均方频率； 对所述传感信号样本数据序列进行3层db4小波包变换，分解后得到8个分解系数，对分解后的信号进行重构，得到不同频段的信号成分，对分解后的各频段信号提取其能量特征，得到8个不同频率区间的小波能量值； 对这些特征按列排布，得到信号特征矩阵， 所述步骤4中，通过以下步骤获得分类器模型： 步骤401：将数据集按照各标签以8：2的比例随机分割成训练集和测试集，得到数据集中样本数量为440，含400个正常样本和40个异常样本，训练集中样本数量为110，含100个正常样本和10个异常样本； 步骤402：将训练集中的少数类样本集提取出来，少数类样本集在破损监测中一般是异常标签，多数类样本集一般对应正常标签； 步骤403：将少数类样本集输入到生成对抗网络中进行训练； 步骤404：生成对抗网络达到纳什均衡后停止训练，并将训练完成的生成器不断生成新样本，并且与少数类样本集中的样本进行相似性评估，筛选出新的样本，直到筛选的样本到一定数量后停止，样本被填充到训练集中； 步骤405：将填充样本后的训练集与步骤401中划分的测试集进行深层特征提取，训练集中提取的这些特征及标签用于训练Softmax分类器，测试集中提取的这些特征及标签用于测试Softmax分类器的性能，最终得到Softmax分类器， 所述步骤6中，所述识别刀具破损状态系统，包括分类器决策系统、多层阈值决策系统和多齿刀具崩刃智能辨识系统， 所述分类器决策系统通过训练好的分类器对数据的深层特征进行决策，判断刀具破损状态， 所述多层阈值决策系统包括动态阈值决策与固定阈值决策，动态阈值决策基于数理统计中的高斯分布识别异常数据，从而识别刀具破损，固定阈值决策基于实验确定的固定数值识别异常数据，从而识别刀具破损， 所述多齿刀具崩刃智能辨识系统通过监控特征值变化实现对各齿破损、崩刃的高速智能辨识， 所述步骤6中，通过以下步骤进行多方法融合判断实时信号破损状态： 步骤601：使用刀具状态原位实时监测数据采集系统进行实时数据采集，然后同步进行步骤602、603、604，分别对应分类器判断、多层阈值判断与多齿刀具崩刃智能辨识判断； 步骤602：采集的数据到达2000点时，将数据进行标准化处理，并提取特征，将特征输入至先前训练的Softmax分类器中进行判断，得到结果A，然后取最新2000个点，重复此步骤，直至停止； 步骤603：每采集一个点，将其与阈值对比做出判断，得到结果B； 步骤604：采集的数据到达2000点时，根据主轴转速和采集卡的采样率，将采集点绘制成极坐标图，根据智能算法进行图像特征识别进行辨识，得到结果C； 步骤605：若结果A为破损，则调用相关接口进行报警处理，提醒操作人员换刀；若结果B中动态阈值决策为破损，则调用相关接口进行报警处理，提醒操作人员查看情况，若结果B中固定阈值决策为破损，则调用相关接口将机器停机，并提醒操作人员查看情况；若结果C为破损，则调用相关接口进行报警处理，提醒操作人员查看情况，视具体情况进行下一步操作。

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。