System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能制造相关研究领域,特别涉及一种基于深度迁移学习的切削负载预测方法,具体涉及到复合材料加工过程中传感器数据分析与切削负载预测。
技术介绍
1、复合材料产品外形特征加工中因刀具动态磨损、余量分布不均、材料各向异性等因素导致的切削负载不均衡的问题,现阶段主要依靠基于人员经验的定判断切削负载情况,并通过手动改变主轴转速、进给倍率等参数实现尽量高的加工效率和加工质量,该方式数据收集和定量分析能力弱,质量和效率适应性调控精准度不足,时效性欠缺。
2、基于加工工况数据实时感知的切削负载预测技术,根据加工过程中多源异构的实测数据分析预测切削负载,进而动态调整主轴转速和进给率,能够为实现切削负载的自适应调控提供理论基础,能够有效提高加工效率,保证加工质量。但是不同刀具在不同切削参数及磨损程度下对于切削负载的影响是不同的,因此,需要建立一个通用的模型可以在不同刀具加工下实现切削负载预测。
技术实现思路
1、本专利技术解决的技术问题是:克服现有技术的不足,提出了一种基于迁移学习的切削负载预测方法,以实现切削负载在线预测,为自适应负载调控,进一步提升加工效率和质量提供依据。
2、本专利技术解决技术的方案是:一种基于迁移学习的切削负载预测方法,该方法包括如下步骤:
3、s1、构建切削负载预测模型,所述切削负载预测模型的输入为复合材料切削过程中的传感器特征数据和切削参数构成的特征向量,输出为切削负载;
4、s2、将已知切削负载的参考刀具和参考切
5、s3、利用源域传感器特征矩阵x_tools的每个特征向量作为训练样本,将训练样本对应的切削负载作为标签数据,对切削负载预测模型进行预训练,适用于参考刀具和参考切削参数的切削参数负载模型;
6、s4、利用目标域传感器特征矩阵x_toolt的每个特征向量作为训练样本,对适用于参考刀具和参考切削参数的切削参数负载模型进行迁移学习训练,得到适用于待测刀具和待测切削参数的切削负载预测模型;
7、s5、将待测刀具和待测切削参数加工过程中在线采集的传感器特征数据和待测切削参数输入到训练好的切削负载预测模型,在线输出预测的切削负载。
8、优选地,所述源域传感器特征矩阵x_tools和目标域传感器特征矩阵x_toolt的矩阵形式为:
9、
10、其中,xij,i∈[1,m],j∈[1,n]为特征矩阵x_tool的元素,i表示特征矩阵的行;j表示特征矩阵的列;m表示特征矩阵的特征向量个数,n表示特征矩阵的列数;n=h×r+1,h为每个传感器测量的特征个数,r表示传感器的总个数。
11、优选地,源域传感器特征矩阵x_tools和目标域传感器特征矩阵x_toolt通过如下方法获得:
12、s1.1.对传感器采集在切削加工过程中采集到的原始数据进行时频域分析,得到传感器特征数据;
13、s1.2、计算传感器特征数据的单调性并排序;
14、s1.3、从传感器特征数据中选择单调性排名最高的h个传感器特征数据;
15、s1.4、将传感器特征数据与切削参数进给速度f合并形成特征矩阵。
16、优选地,特征矩阵x_tool中第j个特征的单调性monj:
17、
18、其中x:j表示第j个特征,positive(diff(xij))表示第j个特征中m个特征值由第一个往后按顺序统计相邻两个特征值的后一个特征值比前一个特征值大的个数,同理,negative(diff(xij))第j个特征中m个特征值的后一个特征值比前一个特征值小的个数。
19、优选地,所述传感器数据在切削加工过程中采集到的原始数据包括声压数据、主轴和主轴箱上三个方向的振动幅度数据、以及主轴控制器的三相电流数据。
20、优选地,所述切削负载预测模型为基于长短时记忆网络,包括输入模块、特征提取模块、预测模块、输出模块。
21、优选地,所述预训练过程为:将带标签的源域传感器特征矩阵x_tools的特征向量作为训练样本,第一损失函数l1作为优化目标,对切削负载预测模型进行预训练,获得适用于源域数据的切削参数负载模型。
22、优选地,所述第一损失函数l1为:
23、
24、其中,cli和分别为切削负载的真实值和预测值,m为输入的特征矩阵的特征向量个数。
25、优选地,迁移学习训练过程如下:
26、s4.1、冻结预训练好的切削负载预测模型中预测模块;
27、s4.2、将带标签的源域传感器特征矩阵x_tools的部分特征向量和不带标签的目标域传感器特征矩阵的部分特征向量作为训练样本,总损失函数l1+l2作为优化目标,训练步骤s4.1冻结后的切削负载预测模型中,微调冻结后的切削负载预测模型,l1为第一损失函数,l2第二损失函数;
28、s4.3、冻结s4.2微调之后的切削负载预测模型中的特征提取模块,将带标签的目标域特征矩阵x_toolt中的部分特征向量,作为训练样本,第一损失函数l1作为优化目标,训练本步骤冻结后的切削负载预测模型,得到最终的切削负载预测模型。
29、优选地,所述第二损失函数l2:
30、
31、
32、其中,是mmd的经验估计值,采用高斯核函数来计算,其中,σ是内核带宽,m为输入的特征特征矩阵的特征向量个数,和为源域特征矩阵中的第a和第b个特征向量,和为目标域特征矩阵第a和第b个特征向量。本专利技术与现有技术相比的有益效果是:
33、(1)、本专利技术针对复合材料加工过程负载不均衡的需要人工定性判断负载的问题,通过加工中在线采集到的不同切削参数加工下的传感器数据分析预测切削负载,实现了基于实测数据的在线分析预测切削负载,相比目前切削参数无关的切削负载计算方法,能够为切削负载自适应控制提供可靠定量方法。
34、(2)、本专利技术针对复合材料存在的余量分布不均、材料各向异性等因素导致的切削负载不均衡问题,利用深度迁移学习方法训练不同切削参数下的切削负载预测模型,可以充分利用实测数据拟合负载预测模型,获得比机理模型更精确的预测模型,为不同切削刀具不同切削参数及不同刀具磨损状态下的动态切削负载预测提供了有效的解决方案。
本文档来自技高网...【技术保护点】
1.一种基于迁移学习的切削负载预测方法,其特征在于包括如下步骤:
2.根据权利要求1所述的一种基于迁移学习的切削负载预测方法,其特征在于所述源域传感器特征矩阵X_Tools和目标域传感器特征矩阵X_Toolt的矩阵形式为:
3.根据权利要求2所述的一种基于迁移学习的切削负载预测方法,其特征在于源域传感器特征矩阵X_Tools和目标域传感器特征矩阵X_Toolt通过如下方法获得:
4.根据权利要求3所述的一种基于迁移学习的切削负载预测方法,其特征在于特征矩阵X_Tool中第j个特征的单调性Monj:
5.据权利要求4所述的一种基于迁移学习的切削负载预测方法,其特征在于所述传感器数据在切削加工过程中采集到的原始数据包括声压数据、主轴和主轴箱上三个方向的振动幅度数据、以及主轴控制器的三相电流数据。
6.根据权利要求1所述的一种基于迁移学习的切削负载预测方法,其特征在于所述切削负载预测模型为基于长短时记忆网络,包括输入模块、特征提取模块、预测模块、输出模块。
7.根据权利要求1所述的一种基于迁移学习的切削负载预测方法
8.根据权利要求7所述的一种基于迁移学习的切削负载预测方法,其特征在于所述第一损失函数L1为:
9.根据权利要求1所述的一种基于迁移学习的切削负载预测方法,其特征在于迁移学习训练过程如下:
10.根据权利要求1所述的一种基于迁移学习的切削负载预测方法,其特征在于所述第二损失函数L2:
...【技术特征摘要】
1.一种基于迁移学习的切削负载预测方法,其特征在于包括如下步骤:
2.根据权利要求1所述的一种基于迁移学习的切削负载预测方法,其特征在于所述源域传感器特征矩阵x_tools和目标域传感器特征矩阵x_toolt的矩阵形式为:
3.根据权利要求2所述的一种基于迁移学习的切削负载预测方法,其特征在于源域传感器特征矩阵x_tools和目标域传感器特征矩阵x_toolt通过如下方法获得:
4.根据权利要求3所述的一种基于迁移学习的切削负载预测方法,其特征在于特征矩阵x_tool中第j个特征的单调性monj:
5.据权利要求4所述的一种基于迁移学习的切削负载预测方法,其特征在于所述传感器数据在切削加工过程中采集到的原始数据包括声压数据、主轴和主轴箱上三个方向的振动幅度数据、以及主轴控制器的三相电流数据。
【专利技术属性】
技术研发人员:王亚辉,张婷玉,王洁,凌丽,叶正茂,张翀,董子玉,高远,
申请(专利权)人:航天材料及工艺研究所,
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。