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！

龙图腾网获悉大连理工大学申请的专利一种基于半监督进化学习的加工中心刀具磨损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：CN117564810B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202311467719.1，技术领域涉及：B23Q17/09；该发明授权一种基于半监督进化学习的加工中心刀具磨损监测方法是由刘阔;牛蒙蒙;王永青;姜业明;高鹏翔设计研发完成，并于2023-11-03向国家知识产权局提交的专利申请。

本一种基于半监督进化学习的加工中心刀具磨损监测方法在说明书摘要公布了：本发明提供了一种基于半监督进化学习的加工中心刀具磨损监测方法，属于机械加工状态监测技术领域。用有限数量的带标签的刀具磨损样本训练基于度量学习的深度学习模型，并将其作为初始的半监督学习SSL模型。将未标记的刀具磨损样本依次输入到初始的SSL模型中，获得伪标签。基于输出概率的置信水平和刀具磨损的物理规律，选择置信度较高的伪标签样本作为标记样本的扩展数据集。利用改进的GAN模型自适应地保持数据集中的类别平衡。该方法的最大优点能够在有限的标记样本下动态更新深度学习模型，提高模型泛化性能，实现对无标签的刀具磨损准确预测。

本发明授权一种基于半监督进化学习的加工中心刀具磨损监测方法在权利要求书中公布了：1.一种基于半监督进化学习的加工中心刀具磨损监测方法，其特征在于，首先，用有限数量的带标签的刀具磨损样本训练基于度量学习的深度学习模型，并将其作为初始的SSL模型；其次，将未标记的刀具磨损样本依次输入到初始的SSL模型中，获得伪标签；基于伪标签的置信水平和刀具磨损物理规律选择可靠的伪标签样本；将选出的伪标签样本和带标签的刀具磨损样本合并形成新的带标签的刀具磨损样本集；设定数据集类别不平衡率，判断新的带标签的刀具磨损样本集的类别不平衡率是否大于设定的不平衡率，如果是，则启动数据生成方法对少数类别样本数据进行生成，平衡新的带标签的刀具磨损样本集的类别；数据生成方法是一种在SSL框架下改进的GAN模型；然后，利用新形成的带标签的刀具磨损样本集更新初始的SSL模型；本方法中，把一个刀具的刀具磨损样本作为一个批次的未标记样本，一个批次更新一次模型；在进化学习过程中，通过不断的添加伪标签样本到带标签的刀具磨损样本集中，逐步提高标记样本的多样性，从而逐步提高模型的泛化性能；最后，用未标记的刀具磨损样本集的测试样本测试完成半监督进化学习的模型的分类精度，验证刀具磨损监测的准确性；具体步骤如下： 第一步，采集切削加工条件下的刀具磨损样本 将加速度传感器固定在主轴上，用于采集刀架的振动信号，截取加工过程中的振动信号作为刀具磨损样本数据；每组切削参数下收集不同的刀具磨损样本数据集； 第二步，建立初始的SSL模型 深度学习模型为深度极限学习机DELM，在深度极限学习机DELM的最终输出层添加softmax分类器来对刀具磨损状态进行分类；为了使同一类别中样本的特征更加紧凑，使不同类别中样本特征更加分离，将度量学习引入深度极限学习机DELM训练中；假设是属于类别c的第i个样本的特征，Nc是类别c的样本数，特征中心μc计算公式如下： 在深度学习模型中，特征提取层提取样本的特征后，同一类别样本的特征接近特征中心；类内损失计算如下： 设置类别中心之间的阈值，以将不同的类别彼此分离；设计一种阈值选择方法，该方法考虑了从每个样本到类别中心的距离分布模式；威布尔拟合用于拟合每个类别的距离分布： Weibullmodel:ρcτc,κc,λc＝FitWeibulldc4 其中，τc,κc,λc表示威布尔模型ρc的参数，dc表示属于类别c的所有样本距离；为了避免样本特征显著偏离类别中心极值点的影响，基于累积分布函数确定阈值；类间损失计算如下： Linter_class＝∑j,k∈Y,j≠kmax0,dj,k-||μj-μk||25 其中，τj，kj，λj和τk，kk，λk分别是威布尔模型ρj和ρk的参数，Ω是边界概率阈值，nj和nk分别是dj和dk中满足阈值条件的距离的数量；选择满足边界概率阈值的最大样本距离来分离不同的类别中心； 选择具有度量学习的DELM模型作为SSL模型；假设Lclass表示用于分类的交叉熵损失函数，基于度量学习的DELM模型的最终损失函数为： Ltotal＝Lclass+Lintra_class+Linter_class8 第三步，基于刀具磨损物理规律的伪标记样本选择 刀具磨损是一个缓慢而连续的物理过程，发生在切削过程中，刀具磨损值随时间单调增加；因此，当刀具磨损样本按切削顺序输入SSL模型时，预测的伪标签也将具有有序性；因此，将SSL模型输出概率的置信水平和刀具磨损物理规律相结合，选择具有高可靠性的伪标签样本； 假设未标记样本的概率输出为本方法提出的伪标签选择机制分为以下三个阶段： 阶段1: 阶段2: 阶段3: 阶段1，选择置信水平高于λ2＝70％；阶段2，置信水平高于λ1＝80％的伪标签样本被完全接受；当置信水平介于λ2和λ1之间，根据刀具磨损物理规律，如果伪标签与前后伪标签一致，认为伪标签样本是可信的；阶段3：检查伪标签样本的选择，使其更加纯净可靠； 第四步，基于改进的GAN的数据生成方法 伪标签样本被添加到标签样本集中，会导致新样本集中的类别不平衡；为了有效地更新SSL模型，有必要评估新形成的样本集的类别不平衡率，并生成少数类样本；利用SSL模型的决策边界作为约束条件，对GAN进行改进； 在GAN中添加SSL模块，SSL模型的网络参数被迁移到GAN的SSL模块中，并在改进的GAN模型训练中被冻结，促进GAN在决策边界内生成样本数据；改进的GAN被命名为SemiGAN；D的损失函数为： G的损失函数为： 其中，Gz是从噪声数据z映射生成的样本数据，Dx表示通过输入真实数据x获得的输出概率，DGz是生成数据的输出概率，是从实际数据中获得的概率的期望值，是从生成的数据中获得的概率的期望值，是通过将生成的样本输入SSL模块而获得的输出概率，y是生成样本的标签，LSSL是分类误差的交叉熵损失函数，交替优化G和D以生成理想的少数类样本； 第五步，基于进化学习策略更新模型 采用了一种进化学习策略，通过在标记样本集中逐渐添加新的伪标记样本来动态训练SSL模型，使SSL模型适应数据变化，并提取更有用的未标记样本的信息；本方法基于刀具磨损规律，将从一个刀具上采集的刀具磨损样本集作为一个批次，SSL模型每批次更新一次； 第六步，验证所述半监督进化学习方法的预测准确性 将未标记的刀具磨损样本测试样本输入到完成半监督进化学习的SSL模型中进行刀具磨损状态分类，以验证所提出的基于半监督进化学习的刀具磨损监测方法的准确性。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。

以上内容由龙图腾AI智能生成。