買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉大連理工大學申請的專利一種基于階次譜與動態(tài)免疫模糊聚類的銑刀磨損監(jiān)測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN117182654B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202311292041.8，技術(shù)領域涉及：B23Q17/09；該發(fā)明授權(quán)一種基于階次譜與動態(tài)免疫模糊聚類的銑刀磨損監(jiān)測方法是由李宏坤;王朝東;劉淑杰;呂帥設計研發(fā)完成，并于2023-10-08向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于階次譜與動態(tài)免疫模糊聚類的銑刀磨損監(jiān)測方法在說明書摘要公布了：本發(fā)明公開一種基于階次譜與動態(tài)免疫模糊聚類的銑刀磨損監(jiān)測方法，屬于智能制造與加工技術(shù)領域，包括如下幾個步驟：以銑刀銑削過程中主軸電流的原始時域信號為模型輸入，參比超景深三維顯微鏡同步觀測結(jié)果與定量標準，提取銑刀不同磨損等級電流信號的特征參數(shù)向量，考慮實驗數(shù)據(jù)在銑刀磨損各等級臨界狀態(tài)識別上的模糊、不確定性，引入動態(tài)模糊聚類算法，通過輸出閾值λ獲得初始模糊聚類劃分，進一步考慮動態(tài)模糊聚類算法易陷入局部最優(yōu)值等問題，采用具有全局搜索和并行能力的免疫算法進行優(yōu)化，獲得最優(yōu)閾值λ，最終建立免疫優(yōu)化的動態(tài)模糊聚類模型，為實際工程銑刀磨損狀態(tài)等級評定與設備安全定量評價提供新思路。

本發(fā)明授權(quán)一種基于階次譜與動態(tài)免疫模糊聚類的銑刀磨損監(jiān)測方法在權(quán)利要求書中公布了：1.一種基于階次譜與動態(tài)免疫模糊聚類的銑刀磨損監(jiān)測方法，其特征在于，包括以下步驟： 步驟1：實驗方案的制定； 通過模擬實驗，確定刀具不同磨損狀態(tài)對應的磨損量，用于指導加工；采集一把新刀從切削開始到嚴重磨損的全壽命信號，并在實驗過程中測量刀具后刀面的磨損量，建立電流監(jiān)測信號與刀具不同磨損狀態(tài)磨損量間的對應關系；所用刀具為硬質(zhì)合金平頭立銑刀，2刃，直徑12mm，螺旋角為30°，總長度為72mm，銑削加工的工件材料為40Cr；實驗過程中實時停機，使用超景深顯微鏡測量刀具后刀面的磨損量； 為探究變工況下銑削加工過程對刀具不同磨損狀態(tài)的監(jiān)測與識別能力，采用交叉實驗法設置各銑削參數(shù)，并循環(huán)重復進行加工過程以獲取主軸電流信號； 步驟2：實驗數(shù)據(jù)的分析； 對上述步驟1中所獲取的主軸電流信號進行整理、分類，同時利用電流有效值求解公式，對所獲取多種工況下主軸電機的三相電流信號進行融合求解，即將所獲三相電流信號Iu，Iv，Iw融合為三相電流有效值Irms； 依據(jù)后刀面磨損量，將刀具的磨損程度情況劃分為四種狀態(tài)：磨損狀態(tài)Ⅰ、磨損狀態(tài)II、磨損狀態(tài)III和磨損狀態(tài)Ⅳ； 對主軸電流信號的有效值Irms數(shù)據(jù)進行預處理，并按照磨損狀態(tài)進行樣本劃分，然后依次訓練、測試信號樣本；其中，當前信號總長度包含36組數(shù)據(jù)，對其進行樣本化處理以獲得具有不同磨損狀態(tài)的信號，所得1400個樣本，每種磨損狀態(tài)有350個樣本，對四種磨損狀態(tài)各選取250個樣本作為訓練樣本，剩下的作為測試樣本，樣本的分布情況具體如表2所示： 表2刀具四種磨損狀態(tài)樣本 針對變工況下，刀具各等級臨界磨損狀態(tài)識別上的模糊和不確定性，結(jié)合動態(tài)模糊聚類算法不需事先確定聚類數(shù)的特性，以模糊聚類分析描述樣本歸屬不同類別的不確定程度，同時考慮每個特征指標的特點和分類決策影響，使其最終分類結(jié)果具有更好的模糊相似關系； 步驟3：動態(tài)模糊聚類算法的分析； 通過建立模糊相似矩陣和傳遞閉包，利用不同閾值λ對初始數(shù)據(jù)集進行動態(tài)模糊聚類；設論域U＝{x1,x2,···,xn}為樣本空間，樣本總數(shù)n，每個樣本對應m個特征，即xi＝{x1,x2,···,xim}，得到原始數(shù)據(jù)矩陣xijn×m，其中xij表示第i個樣本第j個特征指標，i＝1,2,...,n；j＝1,2,…,m；對原始數(shù)據(jù)進行標準化處理，采用式2平移-極差變換公式，將數(shù)據(jù)壓縮到區(qū)間[0,1]標準化矩陣： 采用絕對值減數(shù)法-歐式距離，計算樣本xi與xj的相似度rij為： 其中，dxi,xj表示樣本xi與xj的歐式距離，c為權(quán)值參數(shù)，使得0≤rij≤1，c取0.1； 在相似度rij基礎上建立樣本的模糊相似矩陣Rxi,xj： 將R改造成模糊等價矩陣tR，即R的傳遞閉包tR；利用式5平方法依次計算，求出包含該模糊相似矩陣R的等價矩陣tR： R→R·R→R22→…R2k→…5 在已建立的模糊等價關系中，對R的傳遞閉包tR進行模糊聚類，為能夠客觀反映樣本數(shù)據(jù)集的聚類狀態(tài)，引入閾值λ∈[0,1]，作R的λ截矩陣Rλ＝λrijn×n，因不同閾值λ對應不同的分類等級數(shù)，因此達到動態(tài)分類的目的，如式6所示： 根據(jù)式6初始劃分聚類數(shù)據(jù)集，獲得顯示動態(tài)模糊聚類的分類結(jié)果；但由于閾值λ取值不同，分類等級數(shù)也不同，因此需要進一步進行最佳聚類分析，以優(yōu)化閾值λ，獲得最佳等級分類結(jié)果與分類等級數(shù)； 步驟4：模型的訓練與驗證； 使用免疫優(yōu)化的動態(tài)模糊聚類算法對個體的親和度進行評價，根據(jù)親和度和抗體濃度選擇進行免疫操作的個體，增大群體的多樣性，保證算法終止時得到的結(jié)果為全局最優(yōu)解，并確定最佳分類等級數(shù)，提高分類準確性。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人大連理工大學，其通訊地址為：116024 遼寧省大連市甘井子區(qū)凌工路2號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。