本发明专利技术公开了一种基于迁移学习的机床响应建模方法、建模系统以及响应预测方法，该建模方法包括：利用源域数据训练源域响应预测模型；在源域响应预测模型上加入自适应层，以使损失函数小于预设值为目标反向调节源域响应预测模型的参数，得到域适应初始模型，损失函数包括分类损失和域适应损失；将目标域数据输入域适应初始模型进行微调，得到域适应模型；将源域数据输入域适应模型，得到辅助训练数据；利用辅助训练数据和目标域数据训练目标域响应预测模型。该方法结合模型迁移和样本迁移，实现源域数据的复用，减少了新工况下模型建立对新数据的需求量，从而降低实际生产中面对多种不同工况进行数据采集的实验成本。对多种不同工况进行数据采集的实验成本。对多种不同工况进行数据采集的实验成本。
【技术实现步骤摘要】
基于迁移学习的机床响应建模方法、系统及响应预测方法
[0001]本专利技术属于神经网络学习
，更具体地，涉及一种基于迁移学习的机床响应建模方法、建模系统以及响应预测方法。
技术介绍
[0002]在现代加工过程中，利用计算机技术建立机床响应模型可以快速预测对应工艺参数条件下的机床响应，如今数据驱动建模是最常用的预测机床响应的方法之一，建立性能优良的模型可以快速预测得到机床响应。众多的研究者一直致力于特定场景建模的研究，然而，当工况发生改变时，需要根据新的工艺条件重新建模。例如，通过切削建模预测主轴功率时，不同的加工条件对模型有不同的系数和参数。因此，一种切削条件下的模型难以应用于另一种切削条件。例如，加工铝的切削功率模型不能用于预测切削钢的功率。在这种情况下，唯一可行的方法是根据新的切削条件重建模型。然而，这是一个耗时且繁琐的过程，尤其是对于具有大量切削条件组合的铣削操作。如何在新的加工条件下高效、方便地建立预测模型是一个迫切而富有挑战性的问题。
技术实现思路
[0003]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于迁移学习的机床响应建模方法、建模系统以及响应预测方法，其目的在于结合已有的不同工况下的数据集进行建模，由此解决重新获取当前工况下的实验数据进行建模所导致的效率低、耗时长的技术问题。
[0004]为实现上述目的，按照本专利技术的一个方面，提供了一种基于迁移学习的机床响应建模方法，包括：
[0005]获取源域数据和目标域数据，其中，所述源域数据为第一工况下的样本数据，所述目标域数据为第二工况下的样本数据；
[0006]利用所述源域数据训练源域响应预测模型；
[0007]在所述源域响应预测模型上加入自适应层，将所述源域数据输入所述源域响应预测模型，基于所述自适应层计算损失函数并以使所述损失函数小于预设值为目标反向调节所述源域响应预测模型的参数，得到域适应初始模型，所述损失函数包括分类损失和域适应损失，所述域适应损失包括所述源域数据和所述目标域数据之间的最大均值差异损失；
[0008]将所述目标域数据输入所述域适应初始模型，以分类损失函数小于预设值为目标对所述域适应初始模型的参数进行反向微调，得到域适应模型；
[0009]将所述源域数据输入所述域适应模型，得到辅助训练数据；
[0010]利用所述辅助训练数据和所述目标域数据训练目标域响应预测模型。
[0011]在其中一个实施例中，
[0012]所述源域数据包括：
[0013][0014]所述目标域数据包括：
[0015][0016]其中，x
i
表示第i个样本数据中的工艺参数特征向量，y
i
表示第i个样本数据中与工艺参数特征向量对应的响应特征；n表示源域数据的样本数量，m表示目标域的样本数量，k表示每个样本内的特征维度；
[0017]包括分类损失和域适应损失的损失函数为：
[0018][0019]其中，表示将输入所述源域响应预测模型所得到的结果，λ为权重。
[0020]在其中一个实施例中，所述域适应初始模型的神经网络结构包括顺序连接的第一至第四层，其中，第一层为输入层、第二层和第三层为隐藏层，第四层为输出层。
[0021]在其中一个实施例中，进行反向微调的步骤包括：
[0022]冻结域适应初始模型的神经网络结构及其第一层和第二层的系数，确定第三层的映射
[0023]sp＝σ3(W3x3+b3)
[0024]其中，sp为输出层的输出结果，x3为第三层的向量，W3和b3为第三层的系数，σ3为第三层的激活函数；
[0025]利用所述目标域数据训练所述域适应初始模型，以分类损失函数小于预设值为目标训练系数W3和b3，得到域适应模型。
[0026]在其中一个实施例中，利用所述源域数据训练源域响应预测模型时的学习率为c，利用所述目标域数据训练所述域适应初始模型时的学习率小于或等于
[0027]在其中一个实施例中，利用所述辅助训练数据和所述目标域数据训练目标域响应预测模型，包括：
[0028]步骤S1：初始化权重向量其中，第i个样本的权重为
[0029][0030]步骤S2：对于第t次迭代，调用基学习器，根据合并数据集T＝T
s
′
∪T
t
以及T＝T
s
′
∪T
t
上的权重分布w
t
，得到一个基学习器h
t
:X
→
Y；
[0031]步骤S3：计算基学习器h
t
对数据集T中每个样本的调整误差：
[0032][0033]其中，E
t
表示目标域数据集T
t
中样本误差的最大值，且
[0034][0035]步骤S4：计算h
t
在目标域数据集T
t
上的调整误差：
[0036][0037]步骤S5：判断∈
t
是否小于设定阈值，若否，跳转至步骤S2，若是，则将第t+1次迭代的权重向量可以更新为：
[0038][0039]其中，β
t
＝ε
t
/(1
‑
ε
t
)，N为预设迭代次数；
[0040]步骤S6：判断迭代次数是否达到预设迭代次数，若否，则继续迭代直至迭代次数达到预设迭代次数，生成一组基学习器{h1,h2,
…
,h
N
}，取后P个基学习器集成，得到最终的目标域响应预测模型：
[0041][0042]在其中一个实施例中，训练目标域响应预测模型所基于的神经网络结构和训练源域响应预测模型所基于的神经网络结构相同。
[0043]在其中一个实施例中，所述源域数据为第一加工工况下的铣削主轴功率样本数据，所述目标域数据为第二加工工况下的铣削主轴功率样本数据，所述源域响应预测模型为源域铣削主轴功率预测模型，所述目标域响应预测模型为目标域铣削主轴功率预测模型。
[0044]为实现上述目的，按照本专利技术的另一个方面，提出一种基于迁移学习的机床响应建模系统，包括：
[0045]数据获取单元，用于获取源域数据和目标域数据，其中，所述源域数据为第一工况下的样本数据，所述目标域数据为第二工况下的样本数据；
[0046]源域建模单元，用于利用所述源域数据训练源域响应预测模型；
[0047]自适应调节单元，用于将所述源域数据输入所述源域响应预测模型，计算损失函数并以使所述损失函数小于预设值为目标反向调节所述源域响应预测模型的参数，得到域适应初始模型，所述损失函数包括分类损失和域适应损失，所述域适应损失包括所述源域数据和所述目标域数据之间的最大均值差异损失；
[0048]微调单元，用于将所述目标域数据输入所述域适应初始模型，以分类损失函数小于预设值为目标对所述域适应初始本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习的机床响应建模方法，其特征在于，包括：获取源域数据和目标域数据，其中，所述源域数据为第一工况下的样本数据，所述目标域数据为第二工况下的样本数据；利用所述源域数据训练源域响应预测模型；在所述源域响应预测模型上加入自适应层，将所述源域数据输入所述源域响应预测模型，基于所述自适应层计算损失函数并以使所述损失函数小于预设值为目标反向调节所述源域响应预测模型的参数，得到域适应初始模型，所述损失函数包括分类损失和域适应损失，所述域适应损失包括所述源域数据和所述目标域数据之间的最大均值差异损失；将所述目标域数据输入所述域适应初始模型，以分类损失函数小于预设值为目标对所述域适应初始模型的参数进行反向微调，得到域适应模型；将所述源域数据输入所述域适应模型，得到辅助训练数据；利用所述辅助训练数据和所述目标域数据训练目标域响应预测模型。2.如权利要求1所述的基于迁移学习的机床响应建模方法，其特征在于，所述源域数据包括：所述目标域数据包括：其中，x
i
表示第i个样本数据中的工艺参数特征向量，y
i
表示第i个样本数据中与工艺参数特征向量对应的响应特征；n表示源域数据的样本数量，m表示目标域的样本数量，k表示每个样本内的特征维度；包括分类损失和域适应损失的损失函数为：其中，表示将输入所述源域响应预测模型所得到的结果，λ为权重。3.如权利要求1所述的基于迁移学习的机床响应建模方法，其特征在于，所述域适应初始模型的神经网络结构包括顺序连接的第一至第四层，其中，第一层为输入层、第二层和第三层为隐藏层，第四层为输出层。4.如权利要求3所述的基于迁移学习的机床响应建模方法，其特征在于，进行反向微调的步骤包括：冻结域适应初始模型的神经网络结构及其第一层和第二层的系数，确定第三层的映射sp＝σ3(W3x3+b3)其中，sp为输出层的输出结果，x3为第三层的向量，W3和b3为第三层的系数，σ3为第三层的激活函数；利用所述目标域数据训练所述域适应初始模型，以分类损失函数小于预设值为目标训练系数W3和b3，得到域适应模型。5.如权利要求4所述的基于迁移学习的机床响应建模方法，其特征在于，利用所述源域数据训练源域响应预测模型时的学习率为c，利用所述目标域数据训练所述域适应初始模
型时的学习率小于或等于6.如权利要求2所述的基于迁移学习的机床响应建模方法，其特征在于，利用所述辅助训练数据和所述目标域数据训练目标域响应预测模型，包括：步骤S1：初始化权重向量其中，第i个样本的权重为步骤S2：对于第t次迭代，调用基学习器，根据合并数据集T＝T
s
′
∪T
t
以及T＝T
s
′
∪T
t
上的权重分布w
t
，得到一个基...
【专利技术属性】
技术研发人员：胡鹏程，谢杰君，高仕博，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。