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

龍圖騰網(wǎng)獲悉華中科技大學(xué);中國航發(fā)南方工業(yè)有限公司申請的專利用于機器人曲面銑削輪廓誤差監(jiān)測的特征融合與精煉嵌入稀疏貝葉斯學(xué)習(xí)方法及系統(tǒng)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：CN119939530B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-26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：202411869866.6，技術(shù)領(lǐng)域涉及：G06F18/27；該發(fā)明授權(quán)用于機器人曲面銑削輪廓誤差監(jiān)測的特征融合與精煉嵌入稀疏貝葉斯學(xué)習(xí)方法及系統(tǒng)是由楊吉祥;倪昌;郭皓邦;丁漢設(shè)計研發(fā)完成，并于2024-12-18向國家知識產(chǎn)權(quán)局提交的專利申請。

本用于機器人曲面銑削輪廓誤差監(jiān)測的特征融合與精煉嵌入稀疏貝葉斯學(xué)習(xí)方法及系統(tǒng)在說明書摘要公布了：本發(fā)明屬于機器人技術(shù)領(lǐng)域，公開了一種用于機器人曲面銑削輪廓誤差監(jiān)測的特征融合與精煉嵌入稀疏貝葉斯學(xué)習(xí)方法及系統(tǒng)，將工藝參數(shù)，機器人剛度，切削力及跟蹤誤差組成的特征向量結(jié)構(gòu)化的融合為字典矩陣，并結(jié)合稀疏貝葉斯學(xué)習(xí)方法實現(xiàn)機器人加工誤差監(jiān)測。在模型訓(xùn)練時本發(fā)明可以得到權(quán)重變量的后驗分布，通過最大化后驗概率來估計權(quán)重系數(shù)后驗分布的期望和方差。其中方差和影響權(quán)重稀疏性的超參數(shù)通過最大化邊緣似然函數(shù)來估計，即最大化權(quán)重后驗分布下的聯(lián)合似然函數(shù)的期望來優(yōu)化，可對轉(zhuǎn)化后的損失函數(shù)求最小值解以優(yōu)化超參數(shù)。模型權(quán)重的后驗期望和方差，以及超參數(shù)在訓(xùn)練過程中迭代更新，根據(jù)設(shè)定的變化閾值來終止迭代過程，以實現(xiàn)模型權(quán)重向量的稀疏化及稀疏模型的構(gòu)建。本發(fā)明實現(xiàn)了變位姿下不同特征曲面零件的機器人銑削加工誤差監(jiān)測，有效的減小了零件測量成本。

本發(fā)明授權(quán)用于機器人曲面銑削輪廓誤差監(jiān)測的特征融合與精煉嵌入稀疏貝葉斯學(xué)習(xí)方法及系統(tǒng)在權(quán)利要求書中公布了：1.一種特征融合與精煉嵌入稀疏貝葉斯學(xué)習(xí)方法，其特征在于，包括以下步驟： S1，根據(jù)擬定好的加工工藝參數(shù)進行不同加工任務(wù)的機器人空切削運動及銑削實驗，同時采集關(guān)節(jié)角度，加速度信號及切削力信號，對銑削完成后的工件進行加工誤差測量； S2，對S1中采集到的原始信號進行處理及計算，得到模型輸入的特征向量，并將測量得到的加工誤差作為模型標(biāo)簽； S3，對S2中計算的特征向量進行特征加權(quán)并進行特征融合以構(gòu)建字典矩陣； S4，根據(jù)S3中得到的字典矩陣及加工誤差，建立回歸預(yù)測模型； 首先假設(shè)模型輸入特征與標(biāo)簽之間的權(quán)重滿足高斯先驗分布，以促進大多數(shù)系數(shù)權(quán)重趨于0，實現(xiàn)模型權(quán)重的稀疏性；根據(jù)貝葉斯公式，得到權(quán)重變量的后驗分布，通過最大化后驗概率來估計權(quán)重系數(shù)后驗分布的期望和方差；其中方差和影響權(quán)重稀疏性的超參數(shù)通過最大化邊緣似然函數(shù)來估計，即最大化權(quán)重后驗分布下的聯(lián)合似然函數(shù)的期望來優(yōu)化，可對轉(zhuǎn)化后的損失函數(shù)求最小值解以優(yōu)化超參數(shù)；模型權(quán)重的后驗期望和方差，以及超參數(shù)在訓(xùn)練過程中迭代更新，根據(jù)設(shè)定的變化閾值來終止迭代過程，以實現(xiàn)模型權(quán)重向量的稀疏化及稀疏模型的構(gòu)建； 所述步驟S4中，根據(jù)得到的字典矩陣及加工誤差，建立回歸預(yù)測模型；稀疏貝葉斯學(xué)習(xí)方法基于貝葉斯定理的思想引入稀疏性，對權(quán)值假設(shè)高斯先驗分布，噪聲變量的概率分布可以假設(shè)為正態(tài)概率密度函數(shù)ε～Ν0,λI，λ為方差，其受振動和切削熱引起的加工不確定性以及測量不確定性的影響；ym的似然函數(shù)定義為： 式中ym為實測加工誤差，Φ為構(gòu)造的字典矩陣，ω為對應(yīng)的權(quán)重系數(shù)； 在權(quán)重向量上引入高斯先驗分布，使權(quán)重系數(shù)大部分趨近于零，實現(xiàn)權(quán)重向量的稀疏性；這樣，加工誤差僅通過字典矩陣中的相關(guān)列和相應(yīng)的稀疏權(quán)值即可預(yù)測，提高了計算效率；通常，為了計算后驗的齊次解析解，先驗分布是似然函數(shù)的共軛先驗，即： 其中ξi影響ωi趨于零的概率，以控制權(quán)重系數(shù)的稀疏性，降低模型的復(fù)雜性，避免過擬合現(xiàn)象；根據(jù)貝葉斯公式，權(quán)重變量的后驗分布可以表示為： 式中，Λ＝diag{ξ1,ξ2,...,ξN}、Pym|λ,Λ表示被測加工誤差的邊緣分布，N為權(quán)值的個數(shù)；通過求后驗概率的最大值來估計權(quán)重系數(shù)的后驗期望和方差，表示為： μω＝λ-1ΣωΦTym Σω＝λΦTΦ+λΛ-1-1 然后通過最大化邊緣似然函數(shù)來優(yōu)化超參數(shù)λ和Λ；為計算方便，取似然函數(shù)的對數(shù)，即logPym|λ,Λ；邊緣似然的優(yōu)化相當(dāng)于最大化其下界，權(quán)重后驗分布Pω|ym,λk,Λk下的聯(lián)合似然函數(shù)的期望可表示為： 通過以上運算可以生成以下的損失函數(shù)： 該優(yōu)化問題可由損失函數(shù)對超參數(shù)的偏導(dǎo)數(shù)等于零來求解，且超參數(shù)λ和Λ可由下式更新： 其中＜·i表示第i個向量的項，·ii表示矩陣第i行、第i列中的項；在迭代過程中，當(dāng)權(quán)重向量的1范數(shù)||μω||1與預(yù)測噪聲的標(biāo)準(zhǔn)差的相對變化值連續(xù)多次小于設(shè)定的閾值時，判斷模型收斂；此時，模型權(quán)值足夠稀疏，噪聲預(yù)測趨于穩(wěn)定，模型預(yù)測性能和可靠性較高；收斂條件表示為： 其中為設(shè)定的收斂閾值。

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)人華中科技大學(xué);中國航發(fā)南方工業(yè)有限公司，其通訊地址為：430074 湖北省武漢市洪山區(qū)珞喻路1037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)”。