一种基于迁移学习的变工况机械加工颤振监测方法技术

本发明专利技术公开了一种基于迁移学习的变工况机械加工颤振监测方法。实现步骤为：在不同工况下采集加工过程中机床主轴三个方向上的振动信号，将其中一个工况数据作为源域数据集，其他工况数据作为目标域数据集；利用KMM算法对源域样本赋予权重，使得源域数据的均值靠近目标域数据均值；基于卷积神经网络CNN构建颤振监测模型，将经过加权后的源域样本作为CNN网络的输入，并通过GA算法找到最优超参数组合，完成基于GA

【技术实现步骤摘要】
一种基于迁移学习的变工况机械加工颤振监测方法


[0001]本专利技术属于机械
，更进一步涉及机械评估
中的一种基于迁移学习的变工况机械加工颤振监测方法。本专利技术可以用于在变工况小样本条件下，对机械加工中发生的颤振进行监测。

技术介绍

[0002]数控机床是现代工业生产中最常用的机械装备。在数控机床工作时，加工过程的稳定性，即颤振问题，是影响数控加工质量和效率的关键因素，但在一般的机械加工过程中由于机床刚度不足、工艺参数设置不当等因素往往会引起机床颤振，导致加工工件精度和表面平整度下降。因此，准确地对颤振进行在线监测.及时进行修理维护，对保证工件表面质量到达要求具有重要意义。
[0003]上海理工大学在其申请的专利文献“基于BP神经网络外圆磨削颤振在线识别和监测方法”(CN202210098079.0)中提出了一种磨削加工在线监测方法。该方法的步骤是：首先，通过传感器采集加工过程中的高频声发射信号；其次，对振动信号提取相关特征值，获得了关于颤振的多特征信号样本；最后，采用多特征信号样本库对BP神经网络进行学习和训练，建立识别模型，进行加工过程的颤振监测，但是，该方法只适合单一恒定工况下的颤振监测，当切削参数发生变化时，之前训练的监测模型便失效，需要利用大量新工况下的数据信息进行重新训练，不具有泛化性。

技术实现思路

[0004]针对上述情况，为克服现有技术的缺陷，本专利技术提供一种基于迁移学习的变工况机械加工颤振监测方法，有效的解决了上述
技术介绍
中提到的的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于迁移学习的变工况机械加工颤振监测方法，采用基于样本迁移学习的方法，以最小化源域数据和目标域数据分布差异为目标，赋予源域数据对应权重，使用加权之后的源域数据训练颤振监测网络，得到适用于变工况、小样本条件下的颤振检测模型。
[0006]优选的，在不同工况下的机械加工中，采集加工过程中机床主轴三个方向上的振动信号，分别作为源域数据集和目标域数据集，并对所述信号数据进行处理。
[0007]优选的，在不同工况下的机械加工中，采集加工过程中机床主轴三个方向上的振动信号，分别作为源域数据集和目标域数据集，并对所述信号数据进行处理，包括：
[0008]剔除异常值，采用滑动窗口对信号进行截取，对截取后的信号进行傅里叶变换得到信号频谱。将每个窗口内信号的原始时域幅值和频谱进行横向拼接，作为颤振监测模型的输入。
[0009]优选的，采用基于样本迁移学习的方法，以最小化源域数据和目标域数据分布差异为目标，赋予源域数据对应权重，包括：
[0010]将源域数据和目标域数据通过核函数映射至再生核希尔伯特空间，利用KMM算法
使得源域数据的均值靠近目标域数据均值，最终得到源域数据的权重。
[0011]优选的，以最小化源域数据和目标域数据分布差异为目标，赋予源域数据对应权重，在对源域数据进行加权后训练深度学习网络，包括：
[0012]将经过加权后的源域样本作为CNN网络的输入，将CNN的训练误差作为适应度值，使用GA寻找CNN的最优超参数组合，利用参数优化后的CNN网络，经过深度自适应特征提取后进行特征融合，最终训练得到适用于目标域的颤振监测模型。
[0013]与现有技术相比，本专利技术的有益效果是：
[0014]1.利用基于样本迁移学习的原理，将不同工况下的数据分别作为源域和目标域。采用核均值匹配的方法，根据源域数据和目标域数据分布的相似程度赋予源域数据不同权重，减小领域之间的分布差异，使用加权之后的源域数据训练颤振监测网络，将训练完成的模型应用至目标域，从而得到适用于新工况下的颤振监测模型。
[0015]2.与现有技术相比，本专利技术在构建适用于新工况的颤振监测模型的过程中，采用基于样本权重自适应的迁移学习的方式，充分、合理地利用源域数据集的大量样本，可以在机械加工的变工况、小样本场景下提升在新工况下颤振监测模型的准确性。
附图说明
[0016]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0017]在附图中：
[0018]图1为本专利技术的基于迁移学习的变工况机械加工颤振监测流程图；
[0019]图2为本专利技术提出的颤振监测模型另一种网络结构示意图；
[0020]图3为本专利技术提出的颤振监测模型另一种网络结构示意图；
[0021]图4为本专利技术的颤振识别准确率与F1
‑
score指标。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]如图1所示，本专利技术所述的一种基于迁移学习的变工况机械加工颤振监测方法，包括如下步骤：
[0024]步骤1，数据采集。
[0025]在不同工况下采集加工过程中机床主轴三个方向上的振动信号，将其中一个工况数据作为源域数据集，其他工况数据作为目标域数据集。
[0026]步骤2，数据处理。
[0027]对采集的信号进行预处理，剔除异常值。采用滑动窗口对信号进行截取，对截取后的信号进行傅里叶变换得到信号频谱。将每个窗口内信号的原始时域幅值和频谱进行横向拼接，作为颤振监测模型的输入。
[0028]对源域数据集，根据信号频谱分析或观察所加工工件的表面形貌特征，划分不同
机械加工状态，作为对应输入信号的状态标签。
[0029]步骤3，利用KMM算法得到源域样本权重
[0030]使用一定长度的窗口实现对振动数据的分割，将目标域数据分为训练集和测试集，将源域数据和目标域数据通过核函数映射至再生核希尔伯特空间(RKHS)，最小化训练集和源域数据分布差异，使得源域数据的均值靠近目标域数据均值，最终得到源域数据的权重。KMM算法计算公式为：
[0031][0032]其中，β
i
为第i个源域样本数据的权重，权重满足且β
i
∈[0,B]，B为大于0的整数；Φ(
·
)表示核函数；x
s
＝{x
s1
,x
s2
,...,x
sn
}和x
t
＝{x
t1
,x
t2
,...,x
tm
}分别表示源域样本和目标域样本，源域样本个数为n，目标域样本个数为m。
[0033]步骤4，采用基于样本迁移的方法构建颤振监测模型。
[0034]基于卷积神经网络CNN构建颤振监测模型，将经过加权后的源域样本作为CNN网络的输入，又颤振监测属于多分类任务，故在输出层使用softmax函数，确保本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的变工况机械加工颤振监测方法，其特征在于：采用基于样本迁移学习的方法，以最小化源域数据和目标域数据分布差异为目标，赋予源域数据对应权重，使用加权之后的源域数据训练颤振监测网络，得到适用于变工况、小样本条件下的颤振检测模型。2.根据权利要求1所述的基于迁移学习的变工况机械加工颤振监测方法，其特征在于：在不同工况下的机械加工中，采集加工过程中机床主轴三个方向上的振动信号，分别作为源域数据集和目标域数据集，并对所述信号数据进行处理。3.根据权利要求2所述的基于迁移学习的变工况机械加工颤振监测方法，其特征在于：在不同工况下的机械加工中，采集加工过程中机床主轴三个方向上的振动信号，分别作为源域数据集和目标域数据集，并对所述信号数据进行处理，包括：剔除异常值，采用滑动窗口对信号进行截取，对截取后的信号进行傅里叶变换得到信号频谱。将每个窗口内信号的原始时域幅值...

【专利技术属性】
技术研发人员：刘尧，孔宪光，王奇斌，康强，陈强，郑健，
申请(专利权)人：安庆精密机电装备智能制造研究院，
类型：发明
国别省市：