基于异构域自适应迁移学习的刀具磨损状态智能识别方法技术

公开了一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法，它包括以下步骤：构建基于异构域自适应迁移学习的刀具磨损状态识别系统；根据几种刀具的不同磨损曲线获取源域数据S及一个目标域数据T，并对数据进行特征提取及特征降维；构建MMD矩阵M，并初始化参数及最大迭代次数；初始化FWELM随机输入权重并计算其隐含层输出矩阵H；利用DST

【技术实现步骤摘要】
基于异构域自适应迁移学习的刀具磨损状态智能识别方法


[0001]本专利技术属于数控制造设备刀具磨损监测领域，特别涉及一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法。

技术介绍

[0002]刀具是加工制造直接的执行者，刀具磨损加重将导致切削力增加、工件表面粗糙度增大、工件尺寸超出公差要求，甚至导致加工停止，使得加工效率降低。刀具状态监测技术可以及时掌握刀具磨损状态，这对于提高加工质量和工件的表面精度，以及提高产品经济效益、节省加工时间等有重要而深远的意义。为寻找更好的监测方法，拾取与刀具磨损关系紧密的原始信号，进行分析并获取与刀具磨损状态映射关系明显的特征信息，应采用泛化性能良好的识别模型进行刀具状态的辨识。
[0003]然而，由于加工制造过程中，切削力、切削热、切削振动及加工环境是不断变化的，以及加工制造在装夹、参数设置、加工以及拆卸等操作的随机误差，导致整个加工过程中充满了动态不确定性，这些不确定性直接影响着刀具磨损以及工件的加工过程的质量。
[0004]因此，进行不确定加工环境下刀具磨损状态识别对保证加工系统的安全、加工的顺利进行、降低生产成本以及提高生产效率等方面具有重要意义。
[0005]加工过程动态不确定性使得加工过程中的切削力、切削热及刀具磨损呈现出强烈的随机性，造成了加工过程参数的不可知性、状态变化的不确定性、信息的模糊性和多维信息的耦合性，导致加工过程模型建立的不确定性。此外，加工过程刀具磨损、材质不均、电压与负载变化以及加工环境等因素，也极大的增加了加工过程建模的难度。针对上述问题，基于模糊集的极限学习机识别模型应运而生。
[0006]模糊集的基本思想是以处理概念模糊不确定性的事物为其研究目标，并将其严密的量化成计算机可以处理的信息。将模糊集的理念加入到极限学习机中，能充分挖掘每个样本在特征空间中的分布，并对其各自的特征进行模糊化与个性化设置，可极大的拓宽极限学习机处理信息的范围和能力，使其不仅能处理精确信息，也能处理加工过程中的模糊信息或其他的不确定信息，不仅能实现精确性联想及映射，还可实现不精确行联想及映射，特别是模糊联想及模糊映射。因此，将模糊集用于极限学习机能有效降低加工系统的不确定性带来的影响，且能提升识别模型的泛化性能。然而仅仅抑制加工系统的不确定性带来的影响是完全不够的，加工系统及刀具磨损状态的动态时变性也是影响刀具磨损状态识别模型的重要因素。
[0007]在刀具磨损状态的识别问题中，其数据集存在不均匀性的辨识问题，且刀具磨损状态具有的复杂分段特性，导致模糊极限学习机不能很好地处理刀具磨损状态的识别问题，而模糊小波极限学习机作为小波分析和模糊极限学习机结合的产物，将小波基函数植入模糊极限学习机的隐层神经元，继承了小波的时频局部特性和聚焦特性，能有效辨识信号的奇异性，有效克服了传统神经网络存在的收敛速度慢、易陷入局部极值、学习步长难以确定等问题。因此，将模糊小波极限学习机用于刀具磨损状态识别，能有效解决加工系统及
刀具磨损状态的动态时变特性及不确定性引发的干扰问题，且能使得识别模型的训练与测试速度更快、结果更准确。
[0008]专利技术专利“一种基于切削力模型的刀具磨损监测方法”(CN106002488B)，利用非等分剪切区模型计算切削过程中由切屑的形成而产生的锋利刀具作用下的切削力，建立刀具监测模型，从而实现对刀具磨损的实时监测。但该方法需要获取切削过程中的切削力，而切削系统的不确定性将导致切削力的不稳定，进而导致刀具磨损的监测结果准确度不足。
[0009]专利技术专利“刀具破磨损状态检测方法及其检测系统”(CN102765010B)，通过测量刀具切削、磨削过程中的振动信号，并对振动信号进行分类整理与特征提取，再统计各类信号的峭度指标和峰值指标，利用该指标的动态分布来检测刀具的破磨损和机床运行状态。但该方法通过信号的特征直接判断刀具状态，导致检测结果易受到系统环境的干扰，准确度不足。
[0010]专利技术专利“一种数控机床刀具磨损监测方法”(CN102091972B)，通过对采集的伺服驱动电流信号进行分析处理，并利用小波包分析技术对信号再频域内进行分解，得出信号在各个频段内的时频域特征，并利用神经网络来对刀具磨损过程进行学习及监测。但该方法利用的神经网络只能针对同一类型的刀具进行监测，而不能监测不同类型的刀具，适用性不足。
[0011]专利技术专利“基于条件随机场模型的刀具磨损状态监测方法”(CN102689230B)，通过采集切削过程中的声发射信号，并对其进行预处理和相关的特征提取，将其作为条件随机场模型的训练数据，之后将测试样本输入建立的模型，输出所对应的刀具磨损状态。但该方法需要提取大量的训练数据，增加了训练的时间，导致模型的实时性不足，且该方法不能监测不同类型的刀具，使用的局限很大。
[0012]针对上述问题，本专利技术拟设计基于异构域自适应迁移学习的刀具磨损状态智能识别方法，该方法利用最大均值差异(Maximum mean discrepancy，MMD)算法及模糊小波极限学习机(Fuzzy wavelet extreme learning machine，FWELM)模型，结合域迁移思想，有效解决了目前加工过程中刀具磨损状态识别系统存在的识别目标单一及准确性不足的问题。

技术实现思路

[0013]针对现有刀具磨损监测方法的不足，本专利技术的目的在于提供一种能够实现准确性好、普适性广的可用于监测不同类别刀具磨损状态的基于异构域自适应迁移学习的刀具磨损状态智能识别方法，该方法利用MMD算法，减小了不同刀具的磨损状态数据间的分布差异，使得该模型能监测不同刀具的磨损状态，并减少了需要的训练数据量，使得模型的训练更加迅速，结合域迁移的思想，使得模型能训练与测试不同特征数量的数据，利用FWELM算法，降低整个模型的复杂性，使得模型更加有效，提升了模型的准确度。
[0014]本公开的实施例提供了一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法，它可以包括以下步骤：
[0015]步骤一：构建基于异构域自适应迁移学习的刀具磨损状态识别系统；
[0016]步骤二：根据几种刀具的不同磨损曲线获取源域数据S及一个目标域数据T，并对数据进行特征提取及特征降维；
[0017]步骤三：构建MMD矩阵M，并初始化参数及最大迭代次数；
[0018]步骤四：初始化FWELM随机输入权重并计算其模糊隐含层输出矩阵H；
[0019]步骤五：利用域空间迁移
‑
模糊小波极限学习机(Domain Space Transfer
‑
Fuzzy Wavelet Extreme Learning Machine，DST
‑
FWELM)计算重构输出权重；
[0020]步骤六：计算重构后的刀具磨损源域数据S
′
及目标域数据T
′
；
[0021]步骤七：利用重构的源域数据训练自适应FWELM分类模型；
[0022]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，包括以下步骤：步骤一：构建基于异构域自适应迁移学习的刀具磨损状态识别系统；步骤二：根据几种刀具的不同磨损曲线获取源域数据S及一个目标域数据T，并对数据进行特征提取及特征降维；步骤三：构建MMD矩阵M，并初始化参数及最大迭代次数；步骤四：初始化FWELM随机输入权重并计算其隐含层输出矩阵H；步骤五：利用DST
‑
FWELM计算重构输出权重；步骤六：计算重构后的刀具磨损源域数据S
′
及目标域数据T
′
；步骤七：利用重构的源域数据训练自适应FWELM分类模型；步骤八：利用自适应FWELM分类模型更新目标伪标签及及条件矩阵M
k
；以及步骤九：达到最大迭代次数后，利用最终的自适应FWELM分类模型对刀具磨损状态进行预测。2.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，在所述步骤二中，利用线性回归的方法选择数据的特征中表现显著的特征，并将其他表现不显著的特征剔除。3.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，在所述步骤三中，需要初始化的参数包括FWELM中的隶属函数系数、小波函数系数以及MMD中的比例系数。4.根据权利要求1所述的基于异构域自...

【专利技术属性】
技术研发人员：杨文安，刘学为，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：