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！

龙图腾网获悉东北大学申请的专利一种考虑颤振的高速铣削表面粗糙度预测方法及系统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：CN120347590B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202510821229.X，技术领域涉及：B23Q17/20；该发明授权一种考虑颤振的高速铣削表面粗糙度预测方法及系统是由黄贤振;孙良仕;姜智元;王钰平;马明斐设计研发完成，并于2025-06-19向国家知识产权局提交的专利申请。

本一种考虑颤振的高速铣削表面粗糙度预测方法及系统在说明书摘要公布了：本发明提供了一种考虑颤振的高速铣削表面粗糙度预测方法及系统，涉及铣削加工技术领域，本发明通过铣削工作台上配置的力传感器，持续采集力信号，通过铣削工作台上配置的加速度传感器，持续采集振动信号，进而提取力信号和振动信号的多维细粒度的特征，从而得到表征铣削过程中由固有工艺和颤振作用引起的表面粗糙度的详细信息，进而通过细粒度特征融合网络来有效融合周期信号和颤振信号的多维细粒度特征，实现表面粗糙度的预测，由此本发明采集了振动信号，并结合力信号进行表面粗糙度的预测，减少由于高速铣削加工中颤振现象导致表面粗糙度预测不准确的情况。

本发明授权一种考虑颤振的高速铣削表面粗糙度预测方法及系统在权利要求书中公布了：1.一种考虑颤振的高速铣削表面粗糙度预测方法，其特征在于，包括： 步骤1：在铣削工作台上，对工件进行平面高速铣削实验，通过铣削工作台上配置的力传感器，持续采集力信号，同时通过铣削工作台上配置的加速度传感器，持续采集振动信号； 步骤2：将持续采集的力信号和持续采集的振动信号作为输入样本，将输入样本对应的表面粗糙度作为输出样本，基于输入样本和输出样本构建训练集； 步骤3：针对训练集中的输入样本，对输入样本中的力信号和振动信号进行多维细粒度的特征提取并拼接，得到周期信号的多维细粒度特征分量和颤振信号的多维细粒度特征分量； 步骤4：将周期信号的多维细粒度特征分量和颤振信号的多维细粒度特征分量，输入细粒度特征融合网络，得到表面粗糙度的预测值，所述细粒度特征融合网络包括DREF模块、FASM模块和贝叶斯预测模块； 步骤5：基于多个表面粗糙度的预测值和其对应的输出样本，对细粒度特征融合网络中DREF模块、FASM模块和贝叶斯预测模块中的参数进行多次迭代更新，得到训练完成的细粒度特征融合网络； 步骤6：持续采集待预测的力信号和待预测的振动信号，进而基于训练完成的细粒度特征融合网络执行步骤3-4，得到表面粗糙度； 其中，步骤3具体包括： 步骤3.1：采用小波包分解方法WPD对振动信号进行降噪处理，得到降噪后的振动信号，进而通过逐次变分模态分解SVMD从降噪后的振动信号中提取，得到第一周期信号和第一颤振信号； 步骤3.2：通过逐次变分模态分解SVMD从力信号中提取，得到第二周期信号和第二颤振信号； 步骤3.3：分别对第一周期信号、第一颤振信号、第二周期信号和第二颤振信号进行特征提取，得到第一周期信号的多维细粒度特征、第一颤振信号的多维细粒度特征、第二周期信号的多维细粒度特征和第二颤振信号的多维细粒度特征，所述多维细粒度特征包括时域特征和频域特征； 步骤3.4：将第一周期信号的多维细粒度特征和第二周期信号的多维细粒度特征进行向量拼接，得到周期信号的多维细粒度特征分量，将第一颤振信号的多维细粒度特征和第二颤振信号的多维细粒度特征进行向量拼接，得到颤振信号的多维细粒度特征分量； 其中，步骤4具体包括： 步骤4.1：根据细粒度特征融合网络中的DREF模块，对周期信号的多维细粒度特征分量和颤振信号的多维细粒度特征分量进行特征提取和融合，得到融合特征； 步骤4.2：通过FASM模块中的SENet和BiLSTM，对所述融合特征进行处理，得到高级特征； 步骤4.3：将高级特征输入贝叶斯预测模块中，得到表面粗糙度的预测值。

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东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路三号巷11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”。