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基于多模态融合的机床进给轴运行状态监测方法与边缘部署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：CN121742350B 。

龙图腾网通过国家知识产权局官网在2026-04-24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：202610228420.8，技术领域涉及：G05B19/4062；该发明授权基于多模态融合的机床进给轴运行状态监测方法与边缘部署方法及系统是由刘阔;尚伟冬;刘洪强;杨欢;王星喆;李杰雅;邵奇诺;白冰设计研发完成，并于2026-02-26向国家知识产权局提交的专利申请。

本基于多模态融合的机床进给轴运行状态监测方法与边缘部署方法及系统在说明书摘要公布了：本发明属于数控机床状态监测与故障诊断技术领域，公开了基于多模态融合的机床进给轴运行状态监测方法与边缘部署方法及系统。通过多模态传感器同步采集进给轴的功率、振动及温度信号，经预处理后构建样本集；利用由特征提取子网络、双向门控循环单元和单层长短期记忆网络组成的多模态深度神经网络模型，结合多头注意力机制实现跨模态特征动态加权融合；通过多模态深度神经网络模型剪枝、量化优化后部署于边缘设备，实现实时推理，并支持在线学习更新；本发明解决了现有技术中传感器模态单一、特征提取依赖人工、模型实时性差等问题，显著提升了异常识别精度、鲁棒性及工业现场适应性，可有效识别进给轴早期微弱异常与复杂故障。

本发明授权基于多模态融合的机床进给轴运行状态监测方法与边缘部署方法及系统在权利要求书中公布了：1.一种基于多模态融合的机床进给轴运行状态监测方法与边缘部署方法，其特征在于，包括以下步骤： S1.多模态运行状态信号采集：通过功率传感器、三向加速度传感器及温度传感器，同步采集进给轴的功率信号、振动信号及温度信号，经同步采集模块实现功率信号、振动信号及温度信号的同步与采集，存储为N×T张量形式的多模态运行状态信号，其中N为传感器通道数，T为每次采样时长内的采样点数量，其中三向加速传感器与温度传感器分别布置在进给轴的近电机端轴承座与远电机端轴承座上，功率传感器接入到进给轴的伺服驱动器中； S2.信号预处理与样本构建：对采集的多模态运行状态信号进行逐个通道预处理，采用低通滤波器对功率信号与振动信号进行滤波，对振动信号采用基于信号峭度动态调整的改进小波去噪算法进行降噪处理，其中表示数学期望，代表振动信号序列，为振动信号序列的均值，为振动信号序列的标准差；对多模态运行状态信号执行Z-score标准化，得到矩阵；通过滑动时间窗生成样本，设滑动时间窗的长度为，滑动步长为S，则第k个样本为，其中k为样本索引，；表示从第kS个采样点开始截取长度为的多模态运行状态信号序列；基于历史维修记录或机床自诊断系统输出标注有正常状态、轻微退化状态、中度退化状态、严重退化状态的类别标签的样本，构建样本集，其中为第i个样本的类别标签，类别标签依据进给轴的物理状态及加工精度要求划分为：进给轴部件功能完好且加工精度满足设定标准的正常状态、进给轴部件存在早期磨损但加工精度尚未超差的轻微退化状态、进给轴部件性能明显下降且存在加工精度超差风险的中度退化状态以及进给轴部件已失效或无法保证运行安全的严重退化状态； S3.多模态深度神经网络模型构建：采用多模态深度神经网络模型对多模态运行状态信号分别建模并融合，首先将步骤S2得到的第k个样本划分为功率信号序列、振动信号序列及温度信号序列；将功率信号序列输入由两层一维卷积层构成的特征提取子网络，通过卷积运算以提取功率波动特征，其中，定义第0层输入，l表示层索引，为第l层的特征映射，和分别为第l层的卷积核权重与偏置参数，ReLU为线性整流激活函数，最终池化为特征向量；将振动信号序列输入双向门控循环单元Bi-GRU，并通过局部注意力机制加权，以提取周期性冲击与轨迹颤振特征，其中，与分别为双向门控循环单元Bi-GRU在时刻t基于振动信号输入计算得到的前向隐藏状态与后向隐藏状态，at表示时刻t的注意力权重，为局部注意力机制权重向量转置，为归一化指数函数，为双曲正切激活函数，W为局部注意力机制的可学习参数，加权后的输出为特征向量；将温度信号序列输入单层长短期记忆网络LSTM，用于分析热积累过程与过载趋势，经全局平均池化层处理后，输出特征向量；将三个特征向量拼接为后，输入多头注意力机制进行自适应加权融合，得到融合特征向量；最后，融合特征向量通过一个全连接层和Softmax激活函数，输出进给轴属于正常状态、轻微退化状态、中度退化状态、严重退化状态的概率分布，其中pc表示样本属于类别c的预测概率，且满足； S4.多模态深度神经网络模型训练与评估：将构建的样本集划分为训练集、验证集与测试集，使用训练集对多模态深度神经网络模型进行迭代训练，计算预测概率分布与真实标签之间的交叉熵损失函数，其中，L为训练批次中的样本总数，为样本k的真实标签one-hot编码，为多模态深度神经网络模型对样本k属于类别c的预测概率；利用优化器根据交叉熵损失函数的梯度对多模态深度神经网络模型参数进行更新，并通过EarlyStopping机制监控验证集损失防止过拟合； S5.多模态深度神经网络模型部署与在线应用：对训练完成的多模态深度神经网络模型进行模型压缩与格式转换，并部署至边缘计算设备，边缘计算设备通过通信接口与机床控制器连接，实现状态反馈同步；实时采集多模态运行状态信号，按照步骤S2对多模态运行状态信号进行预处理，并将处理后的数据输入步骤S3多模态深度神经网络模型进行推理计算，当输出的预测概率分布中中度退化状态或严重退化状态的概率超过预设阈值时，触发声光报警模块与人机界面提示，并上传数据至远程管理系统； 支持在线学习，定期利用新标注数据，采用参数正则化增量学习算法更新多模态深度神经网络模型，以适应机床性能漂移。

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。