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！

龙图腾网获悉齐鲁工业大学(山东省科学院)申请的专利多工况刀具磨损监测模型的构建及其磨损监测方法、系统、设备及介质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：CN121052295B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202511604226.7，技术领域涉及：G06N3/0464；该发明授权多工况刀具磨损监测模型的构建及其磨损监测方法、系统、设备及介质是由周婷婷;张敏;胡天亮;许崇海;陈照强;邢超设计研发完成，并于2025-11-05向国家知识产权局提交的专利申请。

本多工况刀具磨损监测模型的构建及其磨损监测方法、系统、设备及介质在说明书摘要公布了：本发明实施例提供一种多工况刀具磨损监测模型的构建及其磨损监测方法、系统、设备及介质，属于神经网络领域。该方法包括：基于Pytorch深度学习框架，将注意力机制ECA嵌入到二维卷积神经网络，构建多工况刀具磨损监测模型的主体网络；通过多源域迁移学习预训练和微调策略对主体网络进行训练和微调；并将贝叶斯优化分别应用到预训练阶段的卷积核尺寸以及微调阶段的超参数优化过程，得到多工况刀具磨损监测模型。使用迁移学习通过学习不同工况下的信号中与刀具状态相关信息，可提高刀具磨损监测模型在变工况下的泛化能力。将预训练‑微调策略引入到模型构建过程中，提高了模型对新环境的适应性以及模型的构建效率。

本发明授权多工况刀具磨损监测模型的构建及其磨损监测方法、系统、设备及介质在权利要求书中公布了：1.一种多工况刀具的磨损监测方法，其特征在于，包括： 采集车削过程中切削力信号、振动信号以及声发射信号，利用短时傅里叶变换将力信号、振动信号以及声发射信号转换为时频域二维信号； 将时频域二维信号输入至多工况刀具磨损监测模型的二维卷积层提取局部特征，生成特征图； 将所述特征图输入至第一个卷积层后引入的注意力机制ECA中，通过全局平均池化压缩空间信息，然后通过一维卷积和Sigmoid函数生成通道注意力权重，对特征图的通道进行加权处理，以增强通道的特征表示； 通过多层卷积和池化操作，压缩特征图的空间维度，并通过特征展平层将特征图压缩为预设大小的特征向量，整合全局时空信息； 将压缩后的特征向量输入到全连接层，全连接层将特征映射到磨损值的预测空间，输出刀具磨损状态； 具体的，根据以下公式将力信号、振动信号以及声发射信号转换为时频域二维信号： ； 式中，xt表示时域信号，wt是窗口函数，τ表示时间节点，ω表示频率节点，j为虚数单位； 其中，多工况刀具磨损监测模型通过以下方式构建，所述多工况刀具磨损监测模型用于对多切削参数同时变化的复杂多变工况下刀具的磨损进行监测； 基于Pytorch深度学习框架，将注意力机制ECA嵌入到二维卷积神经网络2D-CNN，构建2D-CNN-ECA模型，并将其作为多工况刀具磨损监测模型的主体网络；其中，2D-CNN-ECA模型由顺次连接的第一卷积层、ReLU激活函数、ECA注意力机制模块、第二卷积层、ReLU激活函数、第一最大池化层、第三卷积层、ReLU激活函数、第二最大池化层、第四卷积层、ReLU激活函数、第三最大池化层、特征展平层、第一全连接层、第二全连接层、输出层组成； 通过多源域迁移学习预训练和微调策略对主体网络进行训练和微调；并将贝叶斯优化分别应用到预训练阶段的卷积核尺寸以及微调阶段的超参数优化过程，以使2D-CNN-ECA模型根据任务数据调整其结构和参数至最优，得到基于BO-2D-CNN-ECA-PTFT的多工况刀具磨损监测模型； 其中，将贝叶斯优化应用到两部分，即在预训练之前优化模型卷积核尺寸以及在微调之前优化超参数组合，贝叶斯优化过程如下： 定义步骤：定义2D-CNN-ECA模型中卷积核尺寸、超参数的搜索范围、优化器和损失函数；使用Adam优化器，以MSE作为损失来评价代理模型每次搜索的效果； 初始化代理模型并搜索样本步骤：根据历史观测数据，将输入空间划分为第一区域和第二区域，并使用核密度估计分别对这两个区域进行建模，选择第一区域出现概率最大的卷积核尺寸和超参数组合作为下一个搜索点，其中，第一区域表征为表现好的区域，第二区域表征为表现差的区域； 第一区域概率密度和第二区域概率密度计算公式如下： ； ； 式中，表示历史样本数据，和为核函数，为权重，表示属于表现好的历史样本数据，表示属于表现差的历史样本数据； 样本点评估步骤：每个样本点使用2D-CNN-ECA模型进行迭代，并使用定义的损失函数作为样本评估，若达到迭代次数或多次迭代损失未下降则停止当前样本的迭代，进行下一个样本的迭代；其中，将好样本概率坏样本概率最大时的卷积核尺寸和超参数组合作为下一个样本； 输出步骤：设置搜索次数，若未达到设定的搜索次数则返回初始化代理模型并搜索样本步骤继续搜索，若达到设定的搜索次数则结束优化，输出目前最佳卷积核尺寸和超参数组合； 其中，通过多源域迁移学习预训练策略对主体网络进行训练的过程包括： 获取多个源域数据以及目标域历史工况数据，并将多个源域数据以及目标域历史工况数据输入卷积核尺寸经过贝叶斯优化后的2D-CNN-ECA模型，使用最大均值差异MMD度量多个源域数据与目标域数据之间的距离，并将最大均值差异与2D-CNN-ECA模型输出结果的均方误差MSE的加权之和经归一化后作为总损失Ltotal，；其中，MMD损失项添加在模型的全连接层之前； 具体的，源域数据来自与目标工况相关但不同的加工条件或环境，用于预训练模型以提取通用特征；其包含多工况下的传感器信号：切削力信号、振动信号、声发射信号，标注信息为刀具磨损值或磨损状态标签；目标域数据来自当前需监测的特定工况，用于模型微调以适应新环境，其包含当前工况的传感器信号，即与源域同类型的切削力、振动、声发射信号，但采集于目标机床或加工任务，部分标注数据为少量带磨损标签的数据，用于监督微调，无标注数据为大量无标签数据，用于无监督或半监督学习； 对2D-CNN-ECA模型进行训练，拉近多个源域与目标域之间的距离使2D-CNN-ECA模型适应多种工况，保存2D-CNN-ECA模型的权重参数与偏置参数得到预训练模型； 训练过程中，判断损失是否收敛至最小，如果未收敛，则返回迭代；如果收敛，则保存权重偏置参数，结束预训练，保存预训练模型，进入微调阶段； 其中，通过微调策略对主体网络进行微调的过程包括： 将目标域数据输入到预训练模型中，并使用贝叶斯优化得到的最优超参数组合以及20%的目标工况数据对预训练模型进行再训练，其中，微调阶段采用的损失函数为均方误差，当均方损失收敛至最小或达到目标迭代次数时，停止训练，输出多工况刀具磨损监测模型。

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齐鲁工业大学(山东省科学院)，其通讯地址为：250300 山东省济南市长清区大学路3501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。