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

龍圖騰網獲悉南昌航空大學申請的專利基于卡爾曼濾波的融合模型實現刀具狀態監測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117020753B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202311239096.2，技術領域涉及：B23Q17/09；該發明授權基于卡爾曼濾波的融合模型實現刀具狀態監測方法是由秦國華;譚志樸;王華敏;林鋒;侯源君設計研發完成，并于2023-09-25向國家知識產權局提交的專利申請。

本基于卡爾曼濾波的融合模型實現刀具狀態監測方法在說明書摘要公布了：本發明提出一種基于卡爾曼濾波的融合模型實現刀具狀態監測方法，通過采集刀具加工時的信號以及切削刃后刀面磨損量，對于采集信號進行預處理，不同預處理后的信號使用不同方法進行噪聲的去除，對于處理后的信號進行特征提取，建立刀具磨損狀態的融合預測模型，將包含時刻遞推關系的物理模型作為預測方程，選擇合適數據模型代入提取特征預測刀具磨損并將磨損數值直接應用于觀測方程。本發明在充分利用傳感器特點的同時降低數據維度，通過物理模型建立磨損量前后時刻的遞推關系實現刀具磨損量的實時在線監測，僅需簡易的預測結構即可實現模型的快速建立和實時監測過程。

本發明授權基于卡爾曼濾波的融合模型實現刀具狀態監測方法在權利要求書中公布了：1.基于卡爾曼濾波的融合模型實現刀具狀態監測方法，其特征在于，其步驟如下： 1采集刀具加工時的信號以及切削刃后刀面磨損量： S01：在夾具上安裝測力儀測量XYZ三個方向的力信號Fx,Fy,Fz；在刀具進給方向、主軸徑向和軸向方向安裝振動傳感器測量XYZ三個方向振動信號Vx,Vy,Vz；在工件上安裝一個聲發射傳感器S，測量聲發射均方根值，則每次實驗采集七組傳感器信號，即：Fx,、Fy,、Fz,、Vx,、Vy,、Vz,和S； S02：每次切削結束后測量三次后刀面磨損量并計算平均值； 2由于存在外界環境噪聲和機床內部因素，需要對于采集信號進行預處理： S01：信號場景趨勢項的消除： 由于機床自身運行溫升以及外界環境溫度變化等將會引起場景趨勢項，記t為采樣時間，x為采集信號，ti,xi表示時刻ti采集信號數值xi，假設t內采樣點數為n，x可采用k階多項式擬合： 式中，αj為最高次數為k的多項式次數； 若記則采用最小二乘法獲得系數： Α＝tTt-1tTx2 式中，t為采樣時間的系數矩陣，A為多項式次數的采樣矩陣，x為采集信號的數值； S02：信號零點漂移的消除： 信號初始階段包含未加工狀態，假定前k個采樣點為未加工狀態信號，移動前k個信號的平均值將信號平移至零點： 式中，si為預處理后的信號； 3對于預處理后的力信號使用小波去噪方法進行噪聲的去除： S01：對于信號進行小波分解和低頻重構，可以得到含有較少高頻噪聲的信號，其中小波基函數ψ和分解尺度m均會影響去噪效果，根據信噪比、均方根誤差和平滑度，利用熵值法構造融合去噪指標統一評判標準； 式中，SNR為信噪比，RMSE為均方根誤差，S為平滑度，sreal＝[sreal,1sreal,2…sreal,n]為理想信號，為去噪信號； 對于各指標值歸一化至0.1～1范圍內： 式中，I表示歸一化去噪指標； 使用熵值法確定各指標權重： 式中，P為概率，E為熵值，W為權重，C為常數設置為參與排序指標的總數； 結合式5和式6構造不同小波參數下的融合去噪指標T： Tψ,m＝WSNR×ISNRψ,m+WRMSE×IRMSEψ,m+WS×ISψ,m7 S02：由于實際過程無法獲得理想信號，需要構造仿真信號加噪后去噪計算最優降噪參數； 周期性信號可以視為不同正弦信號的疊加，在頻域中選擇能量超出指定閾值時所對應的信號頻率，計算其正弦信號的頻率、幅值和相位，疊加構造仿真信號； 對于仿真信號添加高斯白噪聲模擬實際加工狀態下的噪聲；由于每次生成的噪聲是隨機的，構造多次仿真信號的含噪信號并用融合指標的均值衡量去噪效果； 4對于預處理后的振動信號使用平滑方法進行噪聲的去除： 在平滑區間使用多項式近似，使用平滑區間中的信號點數求解待定參數；取平滑窗口為5，多項式近似次數為3，又被稱為5點3次均值平滑法；其計算公式如下： 5對于處理后的信號進行特征提取； S01：對于實驗采樣時間進行統一，假設信號采樣時間為t0，保留時間為t*，保留時間的開始采樣點為tstart，結束采樣點為tend，采樣頻率為ω，則刪減后開始和結束的采樣點設置為： S02：時域特征分析方法：對于刀具7組傳感器信號的多次實驗進行時域分析；包括均值、均方根值、方差、偏斜度、峭度、峰值指標、波形指標、脈沖指標和裕度指標； S03：頻域特征分析方法：通過傅里葉變換計算頻率ω和能量pω的關系，對于刀具7組傳感器信號中力和聲發射的多次實驗進行頻域分析；包括重心頻率、均方頻率、均方根頻率、頻率標準差、頻率方差和頻率總能量； S04：時頻特征小波包分析：振動信號在低頻和高頻均有能量集中，使用4層小波分解將振動信號分解為16個頻段，計算所有組實驗中每個頻段能量的極差和方差，選擇極差和方差數值較大的小波包節點，再使用S03的頻域特征分析； S05：特征降維：計算同種傳感器不同特征之間的自相關性，保留最具代表性的特征實現特征降維，相關性分析使用Pearson相關系數計算如下： 式中，λi,λj分別是第i個和第j個特征分析方法的計算結果；|rij|越接近于1，λi,λj相關程度越高；相關性計算后使用t檢驗判斷顯著性； 完成自相關分析后，保留最具代表性的特征，對特征進行降維處理；再建立降維數據與刀具磨損狀態之間的相關性，選擇高度相關的特征進行第二次降維，部分傳感器可能存在所提取的所有特征與刀具磨損相關性較低的情況，則每種傳感器至少選擇一種特征作為預測模型的輸入； 6建立刀具磨損狀態的融合預測模型：建立包含時刻遞推關系的物理模型作為預測方程，選擇合適數據模型代入提取特征預測刀具磨損并將磨損數值直接應用于觀測方程，完成多種模型之間的融合以降低誤差； S01：刀具磨損階段的分類：將刀具的磨損劃分為三個不同的磨損階段，每個階段建立不同預測模型；將刀具磨損情況轉換為隨時間變化的一階導數，判斷如何進行刀具磨損狀態的劃分；選擇決策樹作為分類預測模型，輸入為步驟5所提取到的最后特征，輸出為刀具磨損分類的階段，快速而準確實現刀具磨損階段的分類； S02：建立刀具磨損的物理模型：刀具初期、中期和后期磨損滿足不同的預測方程，磨損失效服從Weibull分布；通過刀具磨損時域圖像的導數圖像判斷三種磨損狀態的分界點；假設初期磨損變化率隨時間降低；中期磨損變化率隨時間不變且不為零；后期磨損變化率隨時間增加；初期和后期磨損Weibull分布根據變化規律假設為勻加速直線運動： 中期磨損Weibull分布根據變化規律假設為勻速直線運動： 僅需要測量每個磨損時期的的磨損量，磨損速度和磨損加速度初值，即可建立整個周期的物理模型遞推關系表達式； S03：建立刀具磨損的數據模型：通過提取的最優特征建立與刀具磨損量的聯系；選擇多種結構較為簡單的數據預測模型，較為快速預測出大致趨勢即可；對于每種數據模型計算其預測磨損量與真實磨損量的誤差； S04：基于卡爾曼濾波建立融合預測模型：刀具磨損量隨時間變化可視為連續隨機過程，將步驟6中S02的結果作為預測方程，將步驟6中S03的結果作為觀測方程，綜合兩者數值準確預測刀具磨損量； 定義t時刻刀具磨損物理模型的預測量為Y0，預測量取值為y0；選擇一個傳感器提取特征后數據模型并定義觀測量為Y1，觀測量取值為y1；定義概率密度函數為f；則刀具磨損的后驗概率形式表示為： 式中， 稱為似然函數； 選擇正態分布模型對于似然函數進行簡化計算： 將t時刻推廣至連續時間過程，構造預測和觀測的方程；預測方程需要尋找物理模型前后時刻的遞推關系，而數據模型輸出值可以直接應用于觀測方程；假設預測方程前后時刻的遞推關系為F，使用1個數據模型的結果作為觀測方程t時刻的判斷值GY0,t，預測和觀測的模型噪聲分別表示為Qt和Rt，連續過程中的預測模型和觀測模型表示為： 設置初始值為f0y0，并進行一次預測f1 -y0和更新f1 +y0的概率密度函數計算： 式中，后續的計算依次通過式15遞推； 通過概率密度函數直接求解每次時刻t后的具體更新數值： 在其基礎上進行兩個假設求解無窮積分；假設預測和觀測方程是線性的，預測和觀測噪聲服從正態分布： 式中，Fc,Gc為常數，將假設代入遞推過程得到KF計算公式： 式中，為卡爾曼增益，分別為t時刻的物理模型預測值和更新值，分別為t時刻預測值和更新值的誤差，y1,t為t時刻的數據模型輸出值； 預測方程包含刀具磨損量、磨損速度和磨損加速度信息，改寫為向量形式誤差改寫為協方差矩陣形式σt→∑t；選擇的數據模型由單個推廣至多個進行刀具磨損的預測，改寫為Yt＝[y1,ty2,ty3,t…]；Fc,Gc,Qt,Rt為矩陣形式常數，矩陣形式的KF如下： 式中，為卡爾曼增益，MI為單位矩陣； 根據在不同磨損階段的預測誤差百分比，設置預測和觀測的置信程度；得到最終的刀具磨損量曲線。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南昌航空大學，其通訊地址為：330063 江西省南昌市豐和南大道696號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。