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！

龙图腾网获悉浙江大学申请的专利一种超精车削中表面微观形貌与粗糙度的在线监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：CN119141327B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202411596987.8，技术领域涉及：B23Q17/12；该发明授权一种超精车削中表面微观形貌与粗糙度的在线监测方法是由陈远流;刘根深;夏凯阳设计研发完成，并于2024-11-11向国家知识产权局提交的专利申请。

本一种超精车削中表面微观形貌与粗糙度的在线监测方法在说明书摘要公布了：本发明涉及超精密切削加工技术领域，特指一种超精车削中表面微观形貌与粗糙度的在线监测方法，该方法采集机床内部的信号数据和刀具参数，通过信号分析处理模块的加工表面微观形貌几何仿真模型、深度学习模型和预测结果绘制程序进行数据加工和结果预测，绘制加工表面的仿真粗糙度分布图以及指定的局部区域的三维微观形貌图。本方法无需借助外部的传感器件，仅依靠机床在加工过程中产生的内部信号，实现了对加工过程中刀具与工件之间振动情况的监测。同时，结合几何仿真模型和深度学习模型，实现了考虑刀具与工件之间相对振动与塑性侧流和弹性回复效应的加工过程中表面微观形貌和粗糙度的监测功能。

本发明授权一种超精车削中表面微观形貌与粗糙度的在线监测方法在权利要求书中公布了：1.一种超精车削中表面微观形貌与粗糙度的在线监测方法，其特征在于，包括以下步骤： a在机床车削加工的过程中，获取车削加工参数、刀具的几何参数和机床的内部信号；采集的内部信号包括X轴的参考位置信号xref、C轴的参考位置信号cref和Z轴的位置误差信号ze；参考位置信号xref用于确定所采集的切削点在径向上的位置，参考位置信号cref用于确定所采集的切削点在周向上的位置，位置误差信号ze用于反映切深方向上刀具和工件之间的相对振动位移； b将车削加工参数、刀具的几何参数和机床的内部信号输入上位机中的加工表面微观形貌几何仿真程序，实现加工表面的微观形貌几何仿真； c通过将车削加工参数和步骤b中得到的几何仿真结果输入到预先训练好的深度学习模型中，预测塑性侧流和弹性回复对加工表面微观形貌的影响，并获得预测结果； d利用步骤c得到的预测结果，通过上位机中的预测结果绘制程序计算并绘制加工表面的仿真粗糙度分布图； 所述步骤a中，参考位置信号xref、参考位置信号cref和位置误差信号ze按照设定的采样时长ΔT和采样频率fs进行采集，每完成ΔT时长的采样后，紧接着进行下一个ΔT时长的采样；完成采样的信号数据发送至加工表面微观形貌几何仿真程序中； 所述加工表面微观形貌几何仿真程序实时接收每隔ΔT时间传入的机床内部信号数据，动态地更新几何仿真的结果；该程序实现动态的加工表面微观形貌几何仿真的步骤包括： 1根据内部信号采样频率fs和机床主轴回转频率f，计算得到每一圈的采样点数根据主轴回转频率f和采样时长ΔT，计算得到上一个ΔT时间内主轴所转过的圈数Nr＝fs·ΔT；根据进给速度fr和采样时长ΔT，计算得到上一个ΔT时间内的径向进给距离L＝fr·ΔT60； 2在上一个ΔT时间内，刀具加工形成一个环形区域，将该环形区域的三维表面离散成Nc个二维的径向截面，每个径向截面包含Nr个切削采样点；在同一个径向截面内，所有切削采样点的C轴参考位置相同，X轴参考位置等差递增；记当刀具进给至工件回转中心时X轴的参考位置为xo，则切削采样点所处的半径r＝xo-xref，半径r为切削采样点当前的X轴参考位置与刀具进给到工件旋转中心时的X轴参考位置的差值； 3在每一个径向截面内，将所有的切削采样点按半径r从小到大的顺序进行排序，构成一个表示该径向截面内刀尖位置的集合 所述刀具为圆弧刃的单点刀具时，其刀刃轮廓可以近似表示为其中rn表示刀具的刀尖圆弧半径；根据径向截面内的刀尖位置集合T和刀刃轮廓公式，可以得到该径向截面内的二维轮廓； 将二维轮廓离散表示成径向间距为Δl的离散点集P， P＝{p1r1,z1,p2r2,z2,…,pNrN,zN}，其中点集的大小 离散点处的轮廓高度为zk， 根据上述步骤，计算径向截面内所有离散点的坐标，得到径向截面内仅考虑运动学因素的二维轮廓； 4根据步骤3，计算所有Nc个径向截面内的二维轮廓，由此得到上一个ΔT时间内加工的环形区域的微观形貌几何仿真结果； 所述步骤c中，所采用的深度学习模型为深度长短期记忆网络，该网络接受序列输入，输出为等长的序列；该模型用于将步骤b中得到的仅考虑运动学因素的径向轮廓转化为考虑塑性侧流和弹性回复的径向轮廓；网络的输入序列长度等于径向轮廓的离散点数N，输入序列的每一步为一个由离散点的轮廓高度值z、车削加工的切深ap、进给速度fr和离散点对应的切削线速度v组成的四维向量，其中v＝2πfr；输出序列的每一步为一个标量值即考虑塑性侧流与弹性回复后的离散点轮廓高度值；网络结构为顺序结构，依次由输入层、4个双向LSTM层、LeakyReLU激活层、两个全连接层和输出层构成；其中，4个双向LSTM层的隐藏状态和细胞状态的维度均设置为150，并且在相邻双向LSTM层之间添加了概率为0.2的dropout层用来缓解网络的过拟合；两个全连接层的神经元数目分别为300和30，并且每个全连接层也都采用LeakyReLU作为激活函数；网络的训练数据采集和训练过程步骤如下： 1对某一特定的目标工件材料，进行若干组不同切削参数的实验，使用白光干涉仪或轮廓仪获得加工表面沿径向的轮廓，每个加工表面沿不同的半径方向提取多条径向轮廓；所述切削参数包括切深、进给速度和主轴转速； 2从测量的径向轮廓中提取出刀尖位置坐标的集合；由于在同一次加工中，刀尖位置处的弹性回复量近似相同而塑性侧流量近似为零，因此在塑性侧流和弹性回复发生前后，所有刀尖位置点的相对位置保持不变；根据提取的刀尖位置坐标集合和刀刃的理论轮廓反向还原出在发生塑性侧流和弹性回复之前的理想轮廓情况； 3根据步骤2获得的理想轮廓和对应的加工参数，按照上述深度学习模型的输入数据格式要求制作成输入序列，同时对应的测量轮廓作为输出序列，构成网络的一个训练样本；对所有测量的径向轮廓执行上述操作，得到网络的训练集； 4对网络进行训练，训练之前对训练数据进行标准化以加快网络的收敛速度；批大小设置为20；优化器选用Adam优化器，其参数设置为学习率0.001、权重衰减率0.001；使用MSE作为损失函数来描述网络输出与目标值之间的差异；网络的搭建和训练使用Pytorch深度学习框架，训练的轮数为100。

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浙江大学，其通讯地址为：310000 浙江省杭州市西湖区余杭塘路866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”。