基于多任务迁移学习的薄板零件数控加工质量预测方法技术

一种基于多任务迁移学习的薄板零件数控加工质量预测方法，先形成数控加工的原始加工特征数据集集合D，对集合D内每个数据集进行预处理；针对预处理后的特征数据集集合D

【技术实现步骤摘要】
基于多任务迁移学习的薄板零件数控加工质量预测方法


[0001]本专利技术属于薄板零件数控加工
，具体涉及一种基于多任务迁移学习的薄板零件数控加工质量预测方法。

技术介绍

[0002]数控加工是指由控制系统发出指令使刀具符合要求的各种运动，以数字和字母形式表示工件的形状和尺寸等技术要求和加工工艺要求进行加工，其可以解决加工特征复杂、精度高的零件的自动化加工。零件的数控加工变形误差是加工质量的主要体现，对其进行提前预测可以更好地控制加工变形，提高零件的合格率，降低材料损耗。随着航空航天、汽车生产、雷达通讯等行业的发展，对薄板零件的要求不断向高合格率、高精度等方面发展，而薄板零件加工特征复杂并且每个加工特征具有多个质量指标，对其数控加工质量的高效而准确地预测造成了更大困难。传统的质量预测方法往往基于机器学习与深度学习，此类方法的局限性在于构建模型的数据具有同一分布和仅对单一质量指标进行预测。然而在实际数控加工过程中，薄板零件的加工特征复杂并且加工工况会发生变化，而且每种加工特征具有多个质量指标，导致了泛化性能较差的传统质量预测方法准确率下降且建模效率低下。
[0003]苏欣等人在其发表的论文“基于机器学习的零件加工质量预测及优化”(信息技术，2021年5月)中采用某平板裂缝天线为研究对象，利用机器学习算法XGBoost对零件多个加工特征的数控加工质量进行预测，并利用遗传算法对预测结果进行质量优化，该方法采用XGBoost算法可对同一加工特征，即相同数据分布的加工特征构建预测模型，验证了加工工艺参数与加工质量间的关系，并且取得了较好的预测效果；但是，该方法仍存在不足之处，XGBoost针对相同分布的数据时建模效果较好，而在实际加工过程中，由于加工特征复杂且加工工况发生变化，导致记录的数据分布发生变化，造成XGBoost的预测性能严重下降。沈慧等人在其发表论文“面向加工领域的数字孪生模型自适应迁移方法”(上海交通大学学报，2022年1月)中采用钻选为研究对象，利用一维卷积神经网络进行数字孪生自适应迁移方法研究，实现钻削质量不同工艺参数工况下的预测；但是只是实现了单任务的学习，没有涉及到多任务的联合迁移学习，不适应多任务联合迁移场景。

技术实现思路

[0004]为了克服上述现有技术的缺点，本专利技术的目的在于提供了一种基于多任务迁移学习的薄板零件数控加工质量预测方法，实现未知工况下的质量预测与并行输出多个质量指标的预测结果，多质量指标并行输出的结果精度高，质量预测的迁移效果可靠性高。
[0005]为实现上述目的，本专利技术采取的技术方案为：
[0006]一种基于多任务迁移学习的薄板零件数控加工质量预测方法，包括以下步骤：
[0007]步骤1)数控加工数据的采集与整理：对于采集数据集，利用相关仪器对切削力时序数据、加工工艺参数和加工质量数据进行采集；整理数据集过程中，对工件上每个加工特
征的X向、Y向、Z向切削力信号数据提取时域指标，包括均值、最大值、峰峰值、标准差、均方根、偏斜度指标、峭度指标、峰值指标、脉冲指标，并与切削三要素转速、切深、进给组合成30维的数据特征；对于矩形和裂缝加工特征，其具有两个质量指标，分别为长与宽的加工质量误差；对于圆孔加工特征，其具有两个质量指标，分别为相互垂直的两个半径的加工质量误差；并将每个加工特征的数据特征与相应的两个质量指标结合，最终形成包含的9个加工特征数据集的原始加工特征数据集集合D；
[0008]步骤2)对原始加工特征数据集集合D内每个数据集进行预处理：针对原始加工特征数据集集合D，基于结合四分位数法与箱线图的方法，计算原始加工特征数据集集合D内每个数据集的统计量，依据统计量判断原始加工特征数据集集合D内每个数据集的异常值，然后删除原始加工特征数据集集合D内每个数据集的异常值，得到预处理后加工特征数据集集合D
′
；
[0009]步骤3)选择预处理后加工特征数据集集合D
′
中分布差异小的两个数据集进行迁移：针对预处理后加工特征数据集集合D
′
，任选其中一个数据集作为源域，其余作为目标域，依次计算与它们之间的Wasserstein距离(WD)作为两个数据集的分布相似度；然后依次以其他数据集为源域，遍历预处理后加工特征数据集集合D
′
得到一个分布相似度集合；计算分布相似度集合的中位数，将其作为阈值，并选择小于阈值的数据集组合作为构建多任务迁移学习模型R的源域和目标域；
[0010]步骤4)对选择的源域和目标域数据集进行训练集和测试集划分：对选择的源域数据集，将其全部数据作为训练集用于多任务迁移学习模型R的训练；对于选择的目标域数据集，将其按照7:3的比例划分为训练集和测试集，其中目标域70％的数据用于训练多任务迁移学习模型R，30％的数据用于测试多任务迁移学习模型R的训练效果；
[0011]步骤5)构建基于多任务特征提取的共享层网络E：针对选择的源域和目标域的训练集，输入由切削力与三要素组成的30维数据特征，基于多任务学习MMoE模型，构建多个并行的专家网络并行对输入的数据进行深层特征提取，然后构建以线性变化矩阵和激活函数Softmax为基础的门网络，筛选得到每个任务专有的深层特征，完成多任务特征提取的共享层网络E的构建；
[0012]步骤6)构建基于动态分布自适应的任务专有层网络L：针对共享层网络E提取的源域和目标域每个任务的深层特征，构建以线性层为基础的塔网络对多个任务进行并行的质量回归预测，并计算回归损失；同时进行每个任务的动态域适应，包括边缘域适应和条件域适应，依据多核最大均值差(MK
‑
MMD)计算边缘分布损失并依据条件最大均值差异(CMMD)计算条件分布损失，然后利用分布动态因子动态调整两个分布损失之间的权重，最后对每个任务的回归损失、边缘分布损失、条件分布损失进行求和，计算每个任务的总损失，完成基于动态分布自适应的任务专有层网络L的构建；
[0013]步骤7)动态调整每个任务总损失的权重，完成多任务迁移学习模型R构建：针对基于动态分布自适应的任务专有层网络L得到的每个任务的损失，计算每个任务的权重动态因子，并利用任务动态因子调整多个任务之间的权重，对所有任务的损失进行求和计算多任务迁移学习模型R的总损失，然后依据多任务迁移学习模型R的总损失反向更新多任务迁移学习模型R，完成多任务迁移学习模型R的训练，得到最终的预测模型；测试多任务迁移学习模型性能，并进行超参数调优，完成多任务迁移学习模型R构建。
[0014]与现有的技术相比，本专利技术的技术优势为：
[0015]多质量指标并行输出的结果精度高：通过构建多任务特征提取的共享层网络，利用专家网络与门网络提取源域和目标域的深层特征，保证每个任务均能提取到自身专有的深层特征，为多任务下的迁移学习提供良好的特征准备，同时保证多任务迁移学习模型R能对加工特征的多个质量指标进行准确预测；将每个任务的总损失通过任务动态因子联结起来，得到多任务迁移学习模型R的总损失，避免了某一任务本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务迁移学习的薄板零件数控加工质量预测方法，其特征在于，包括以下步骤：步骤1)形成数控加工的原始加工特征数据集集合D；步骤2)对原始加工特征数据集集合D内每个数据集进行预处理；步骤3)选择预处理后加工特征数据集集合D
′
中分布差异小的两个数据集进行迁移；步骤4)对选择的源域和目标域数据集进行训练集和测试集划分；步骤5)构建多任务特征提取的共享层网络E；步骤6)构建基于动态分布自适应的任务专有层网络L；步骤7)动态调整每个任务总损失的权重，完成多任务迁移学习模型R构建。2.根据权利要求1所述的方法，其特征在于，所述的步骤1)具体为：对工件上每个加工特征的X向、Y向、Z向切削力信号数据提取时序特征，包括均值、最大值、峰峰值、标准差、均方根、偏斜度指标、峭度指标、峰值指标、脉冲指标，并与切削三要素转速、切深、进给组合成30维的数据特征；对于矩形和裂缝加工特征，其具有两个质量指标，分别为长与宽的加工质量误差；对于圆孔加工特征，其具有两个质量指标，分别为相互垂直的两个半径的加工质量误差；并将每个加工特征的数据特征与相应的两个质量指标结合，最终形成包含的9个加工特征数据集的原始加工特征数据集集合D。3.根据权利要求1所述的方法，其特征在于，所述的步骤2)具体为：针对原始加工特征数据集集合D，结合四分位数法与箱线图对原始加工特征数据集集合D内每个数据集的两个质量指标的异常值进行检测，并对异常值进行删除，得到预处理后加工特征数据集集合D
′
。4.根据权利要求1所述的方法，其特征在于，所述的步骤3)具体为：针对预处理后加工特征数据集集合D
′
，首先其中任一个作为源域，其余作为目标域，依次计算与它们之间的Wasserstein距离(WD)作为数据集的分布相似度；然后依次以其他为源域，遍历整个预处理后加工特征数据集集合D
′
得到一个分布相似度集合；计算分布相似度集合的中位数，将其作为阈值，并选择小于阈值的数据集组合作为...

【专利技术属性】
技术研发人员：黄鹏德，王佩，崔怡欣，王涛，陶海珍，渠海，张千乐，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：