【技术实现步骤摘要】
【】本专利技术涉及铣削加工铣刀磨损监测，具体涉及一种非连续特性约束的铣刀磨损监测单源域泛化方法。
技术介绍
0、
技术介绍
1、刀具是机床的关键执行部件，被称为制造业的牙齿，在工业中占据着不可替代的关键地位。刀具切削过程中始终处于持续磨损状态，当其磨损量较大时会劣化产品质量、设备性能，增加制造成本甚至引发安全事故。对刀具磨损状态进行实时准确的监测一直是制造业的重要课题。随着制造技术的发展以及生产模式(个性化、小批量定制生产)的变更，刀具的结构、材料以及所面临的工况更加复杂多变，这无疑对刀具磨损状态监测方法的泛化性形成了挑战。
2、以深度学习为代表的数据驱动式刀具磨损监测是当前智能制造的关键技术之一。国内专利技术专利cn115446663b公开了一种基于物理指导的深度学习网络的刀具磨损状态监测方法及应用；国内专利技术专利cn111325112b公开了一种基于深度门控循环单元神经网络的刀具磨损状态监测方法；国内专利技术专利cn115971970a公开了一种基于多参数引导空间注意力机制的铣刀磨损监测方法，通过工艺参数、铣刀结构参数、以及采样率等多参数用于确定模型结构参数，可以自适应对刀具磨损监测信号中的非连续特性进行捕捉，且使得所构建的深度模型具备可解释性。上述方法对基于深度学习的铣刀磨损监测技术进行了探索，但缺少对工况发生变化时模型有效性的考虑。为了提高在变工况下的监测精度，国内专利技术专利cn115351601a公开了一种基于迁移学习的刀具磨损监测方法；国内专利技术专利cn117001420a公开了一种基
3、对一个刀具磨损监测模型最基本的诉求是，在完全相同或相近工况下，基于单一刀具切削过程数据训练的模型，能够适用于其他同型号的刀具。然而对刀具切削过程而言，始终存在工件、刀具安装位置误差；此外即使同一型号同一批次的刀具在被制造的过程中也会存在几何误差，导致刀具刃线、螺旋角等几何参数的不一致，同时物理性能也难以完全统一。即，对每一次刀具切削任务而言，数据分布差异都存在。因此，深度模型泛化性提升需要解决的是不同工况下的数据分布差异问题。近年来，领域泛化技术吸引了深度学习相关学者的大量关注。其宗旨是采用现有数据进行模型训练，并在未知分布的数据上进行测试。领域泛化技术可分为基于多源域的领域泛化和单源域领域泛化，其区别是训练模型时，所采用的样本是否是为单一源域。其中基于多源域的领域泛化在应用时存在以下两个问题：1.多源域之间的数据分布差异多大时才能使得模型具备泛化性？2.需要多少源域才能保证模型在哪些目标域具备泛化性？而现有的单源域领域泛化技术主要通过对信号进行增强，或者通过对抗生成等方式对信号多样性进行增加。但该类增强方法主要是建立源域信号和生成信号之间的数理关系，并不能保证在未知的目标域上有效。
4、综上所述，现有技术基于深度学习的刀具磨损监测模型普遍存在泛化性不足的问题，尤其是难以建立历史数据(源域)和未发生的待监测数据(目标域)之间的关联关系。限制了相关技术的落地应用。通过铣刀切削过程中的非连续物理特性进行研究，通过深度学习对非连续特性进行自适应提取，并基于所提取的高纯度特征进行特征多样性生成，对提高模型的泛化性，推动深度学习方法在刀具磨损监测领域的应用具有重要意义。
技术实现思路
0、
技术实现思路
1、本专利技术是为了解决深度学习在铣刀磨损监测中的不足，尤其是在工况发生变化时模型的泛化性难保证的问题，提出一种非连续特性约束的铣刀磨损监测单源域泛化方法。该方法首先通过空间注意力机制对监测信号中的非连续物理特性进行提取，随后通过所构建的多样性生成模块，基于所提取的非连续物理特性进行多样性特征生成；同时通过所构建的标准趋势样本，对生成特征进行一致性约束。所设计的模型可以实现对信号中的非连续物理特性进行自适应提取及多样性生成，可建立源域、目标域之间的一致性关系，提升模型在未知工况下的泛化能力。
2、为实现上述目的，本专利技术所提供的技术方案是：
3、一种非连续特性约束的铣刀磨损监测单源域泛化方法，其特征在于，包括一种非连续特性约束的铣刀磨损监测单源域泛化模型；所述模型包括空间注意力模块(ms)、生成模块(mg)、特征提取模块(mf)、分类模块(mc)和标准趋势样本(st)；所述st为向量{-1,…,1,0,…,0,……,-1,…,1,0,…,0}，所述向量由n个长度为l的子向量{-1,…,1,0,…,0}顺序排列组成；所述子向量{-1,…,1,0,…,0}由从-1到1的单调递增向量{-1,…,1}(t1)和连续的0向量{0,…,0}(t0)周期性构成；所述t0和t1的长度之和为其中n为刀具齿数；所述t1的长度其中ap为轴向切深(mm)，α为刀具螺旋角(°)，d为刀具直径(mm)，π为圆周率；所述l为刀具旋转一圈对应的监测信号长度；所述方法包括以下步骤：
4、s1：获取源域工况a下带有铣刀磨损阶段标签的磨损过程监测信号，对信号进行预处理及空间对齐，按长度为n×l进行样本截取，得到源域样本集data_s；
5、s2：ms训练：
6、s21：将data_s中的样本随机打乱顺序后，按每批次数量为batch分批输入到ms，提取样本对应的具有非连续特性的空间注意力权重w_att1；
7、s22：利用w_att1对输入样本进行注意力加权，得到加权特征w_s；
8、s23：将w_s输入到顺序连接的mf和mc，得到输出的分类概率；
9、s24：将分类概率与输入样本对应的磨损阶段标签进行交叉熵运算，经过反向传播实现ms、mf和mc的优化；
10、s25：重复s21至s24指定轮数后，得到训练好的ms_trained；
11、s3：mf，mc训练：
12、s31：将data_s中的样本随机打乱顺序后，按每批次数量为batch分批输入到ms_trained，提取样本对应的具有非连续特性的空间注意力权重w_att2；
13、s32：利用w_att2对输入样本进行注意力加权，得到加权特征w_s；
14、s33：将w_s输入到mg，得到具有非连续特性的生成权重w_g，将w_g和所述st进行相似性(lg1)度量；
15、s34：采用w_g对输入样本进行加权，得到生成特征w_g；
16、s35：将w_本文档来自技高网...
【技术保护点】
1.一种非连续特性约束的铣刀磨损监测单源域泛化方法，其特征在于，包括一种非连续特性约束的铣刀磨损监测单源域泛化模型；所述模型包括空间注意力模块(MS)、生成模块(MG)、特征提取模块(MF)、分类模块(MC)和标准趋势样本(ST)；所述ST为向量{-1,…,1,0,…,0,……,-1,…,1,0,…,0}，所述向量由N个长度为l的子向量{-1,…,1,0,…,0}顺序排列组成；所述子向量{-1,…,1,0,…,0}由从-1到1的单调递增向量{-1,…,1}(t1)和连续的0向量{0,…,0}(t0)周期性构成；所述t0和t1的长度之和为其中n为刀具齿数；所述t1的长度其中Ap为轴向切深(mm)，α为刀具螺旋角(°)，D为刀具直径(mm)，π为圆周率；所述l为刀具旋转一圈对应的监测信号长度；所述方法包括以下步骤：
2.如权利要求1所述的一种非连续特性约束的铣刀磨损监测单源域泛化方法，其特征在于，所述MG结构为顺序连接的步长和核大小均为kpool的平均池化层、输入输出通道均为1的卷积层、AdaIN层、输入通道为2输出通道为4的卷积层、输入输出通道均为4的卷积层、输入通道为
3.如权利要求1所述的一种非连续特性约束的铣刀磨损监测单源域泛化方法，其特征在于，所述MS结构为顺序连接的平均池化层(步长和核大小均为kpool)、卷积层(核大小为k，步长为1)、批归一化层、ReLU激活层、元素重复层(重复倍数为kpool、重复维度为最后一维)；所述卷积层的输入输出通道均为1；所述MF为WDCNN结构；所述MC为全连接层。
4.如权利要求1所述的一种非连续特性约束的铣刀磨损监测单源域泛化方法，其特征在于，所述S1和S4中预处理指首先对原始信号进行零均值处理；随后再对信号进行傅里叶低通滤波，所述低通滤波的截止频率为所述源域工况A中齿通频率的10倍；随后对信号按长度为(N+1)×l进行切片并将其归一化到[-1,1]；所述S1和S4中空间对齐指从切片后的信号前l个点中的最小值为起始点，截取长度为N×l的信号；所述源域工况A和所述目标域工况B的刀具结构和主轴转速必须一致；所述S22、S32和S34中的加权指将权重和输入样本在相同位置的元素相乘，再将所得乘积与输入样本在相同位置的元素相加。
...【技术特征摘要】
1.一种非连续特性约束的铣刀磨损监测单源域泛化方法，其特征在于，包括一种非连续特性约束的铣刀磨损监测单源域泛化模型；所述模型包括空间注意力模块(ms)、生成模块(mg)、特征提取模块(mf)、分类模块(mc)和标准趋势样本(st)；所述st为向量{-1,…,1,0,…,0,……,-1,…,1,0,…,0}，所述向量由n个长度为l的子向量{-1,…,1,0,…,0}顺序排列组成；所述子向量{-1,…,1,0,…,0}由从-1到1的单调递增向量{-1,…,1}(t1)和连续的0向量{0,…,0}(t0)周期性构成；所述t0和t1的长度之和为其中n为刀具齿数；所述t1的长度其中ap为轴向切深(mm)，α为刀具螺旋角(°)，d为刀具直径(mm)，π为圆周率；所述l为刀具旋转一圈对应的监测信号长度；所述方法包括以下步骤：
2.如权利要求1所述的一种非连续特性约束的铣刀磨损监测单源域泛化方法，其特征在于，所述mg结构为顺序连接的步长和核大小均为kpool的平均池化层、输入输出通道均为1的卷积层、adain层、输入通道为2输出通道为4的卷积层、输入输出通道均为4的卷积层、输入通道为4输出通道为1的转置卷积层、tanh激活层；所述卷积层的步长均...
【专利技术属性】
技术研发人员：张楷，赖旭伟，郑庆，丁国富，黄锋飞，李致萱，
申请(专利权)人：西南交通大学，
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。