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！

龙图腾网获悉航天材料及工艺研究所申请的专利一种基于深度迁移学习的切削负载预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：CN117754351B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202311557129.8，技术领域涉及：B23Q17/09；该发明授权一种基于深度迁移学习的切削负载预测方法是由王亚辉;张婷玉;王洁;凌丽;叶正茂;张翀;董子玉;高远设计研发完成，并于2023-11-21向国家知识产权局提交的专利申请。

本一种基于深度迁移学习的切削负载预测方法在说明书摘要公布了：本发明涉及以复合材料加工过程为对象，提出了一种基于深度迁移学习的切削负载预测方法。该方法包括：传感器数据与切削参数的数据源，时频域特征提取，基于迁移学习的切削负载预测模型，最后是切削负载预测。利用该方法首先采集复合材料加工过程声音、振动、主轴电流等数据以及切削参数转速、切削深度、进给速度等，然后对传感器数据进行时频域特征进行提取，获取与切削负载相关的特征数据，再次利用迁移学习训练不同刀具和切削参数下加工的切削负载预测模型，最后实现不同刀具和切削参数加工过程的切削负载预测。

本发明授权一种基于深度迁移学习的切削负载预测方法在权利要求书中公布了：1.一种基于迁移学习的切削负载预测方法，其特征在于包括如下步骤： S1、构建切削负载预测模型，所述切削负载预测模型的输入为复合材料切削过程中的传感器特征数据和切削参数构成的特征向量，输出为切削负载； S2、将已知切削负载的参考刀具和参考切削参数对应的M个特征向量构成源域传感器特征矩阵X_Tools，将已知切削负载的待测刀具和待测切削参数对应的M个特征向量构成目标域传感器特征矩阵X_Toolt； S3、利用源域传感器特征矩阵X_Tools的每个特征向量作为训练样本，将训练样本对应的切削负载作为标签数据，对切削负载预测模型进行预训练，适用于参考刀具和参考切削参数的切削负载模型； S4、利用目标域传感器特征矩阵X_Toolt的部分特征向量作为训练样本，对适用于参考刀具和参考切削参数的切削参数负载模型进行迁移学习训练，得到适用于待测刀具和待测切削参数的切削负载预测模型； S5、将待测刀具和待测切削参数加工过程中在线采集的传感器特征数据和待测切削参数输入到训练好的切削负载预测模型，在线输出预测的切削负载; 所述源域传感器特征矩阵X_Tools和目标域传感器特征矩阵X_Toolt的矩阵形式为： 其中，为特征矩阵的元素，表示特征矩阵的行；表示特征矩阵的列；M表示特征矩阵的特征向量个数，N表示特征矩阵的列数；N=h×r+1，h为每个传感器测量的特征个数，r表示传感器的总个数; 源域传感器特征矩阵X_Tools和目标域传感器特征矩阵X_Toolt通过如下方法获得： S1.1.对传感器在切削加工过程中采集到的原始数据进行时频域分析，得到传感器特征数据； S1.2、计算传感器特征数据的单调性并排序； S1.3、从传感器特征数据中选择单调性排名最高的h个传感器特征数据； S1.4、将传感器特征数据与切削参数进给速度f合并形成特征矩阵； 所述切削负载预测模型为基于长短时记忆网络，包括输入模块、特征提取模块、预测模块、输出模块; 预训练过程为：将带标签的源域传感器特征矩阵X_Tools的特征向量作为训练样本，第一损失函数L1作为优化目标，对切削负载预测模型进行预训练，获得适用于源域数据的切削负载模型。

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航天材料及工艺研究所，其通讯地址为：100076 北京市丰台区南大红门路1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。