基于深度网络自适应的铣削刀具磨损状态预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度网络自适应的铣削刀具磨损状态预测方法及装置，属于数控加工中心刀具磨损状态预测技术领域。本发明专利技术以迁移学习方法为核心，首先基于源域数据集训练特征提取网络；接着，在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型；最后，以最小化自适应层的损失为目标，基于源域数据集和目标域数据集训练迁移学习模型。如此，本发明专利技术可以利用已有的带标签的刀具磨损监测数据(源域数据)辅助建立其他场景下的刀具磨损预测模型，从而只需较少的带标签的目标域数据，就能够解决不同直径刀具的磨损状态预测问题。够解决不同直径刀具的磨损状态预测问题。够解决不同直径刀具的磨损状态预测问题。

【技术实现步骤摘要】
基于深度网络自适应的铣削刀具磨损状态预测方法及装置


[0001]本专利技术属于数控加工中心刀具磨损状态预测
，更具体地，涉及一种基于深度网络自适应的铣削刀具磨损状态预测方法及装置。

技术介绍

[0002]铣削加工具有高精度、高效率、低成本等优势，在汽车、轮船、航空航天等行业都有广泛的应用，在机械加工制造领域占有很大的比重。而刀具作为铣削加工过程中不可忽视的一部分，其状态与产品的加工精度和表面质量息息相关，研究刀具磨损预测方法有助于提高铣削加工产品的质量、降低生产成本，对于提升企业和国家的竞争力有重要作用。
[0003]随着监测技术和深度学习方法的不断发展进步，目前能通过获取加工过程中多种监测信号构建模型用于刀具磨损状态或磨损值的预测，并且已经达到了较好的预测效果。但是目前常用方法需要预测数据与模型的训练数据分布保持一致，其局限性使得在面对新场景下的刀具磨损预测时，无法直接使用现有场景数据训练而建立的预测模型。同时由于制造过程的复杂性，难以获取到足够的与监测信号对应的刀具磨损状态或磨损值标签用于模型的训练。/>[0004]因此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，包括以下步骤：S1，获取源铣削刀具、目标铣削刀具的振动信号和刀具磨损值；对所述振动信号进行小波分解重构，并将重构信号与刀具磨损值对应，得到带标签的源域数据集和目标域数据集；S2，构建特征提取网络，并基于所述源域数据集训练所述特征提取网络；S3，在训练好的特征提取网络后添加微调层以及多个基于多核最大均值化差异度量的自适应层，构建迁移学习模型；S4，以最小化所述自适应层的损失为目标，基于所述源域数据集和目标域数据集训练所述迁移学习模型；并利用训练好的迁移学习模型实现所述目标铣削刀具磨损状态预测。2.根据权利要求1所述的基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，所述S1中，对所述振动信号进行小波分解重构，包括：对所述振动信号进行四层小波分解，获得近似分量和细节分量，并通过所述近似分量和细节分量获得重构信号。3.根据权利要求1所述的基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，所述S2中，以源铣削刀具的振动信号以及重构信号的时域、频域分量作为输入，以对应的刀具磨损值作为输出，对所述特征提取网络进行训练。4.根据权利要求1或3所述的基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，所述S2中，所述特征提取网络为残差网络结构的深度特征提取网络。5.根据权利要求4所述的基于深度网络自适应的铣削刀具磨损状态预测方法，其特征在于，所述残差网络结构表示为：x
n+1
＝x
n
+F(x
n
,W
n
)其中，x<...

【专利技术属性】
技术研发人员：贺松平，李伟业，余凡，李斌，裘超超，毛新勇，刘红奇，梁焜，赵尊元，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：