[發明專利]一種基于對抗遷移學習的刀具剩余壽命預測方法

在審

• 申請號: 202010537800.2
• 申請日: 2020-06-12
• 公開（公告）號: CN111832624A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 劉穎超;胡小鋒;孫世旭
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;B23Q17/09
• 代理公司: 上海恒慧知識產權代理事務所(特殊普通合伙) 31317
• 代理人: 徐紅銀

1.一種基于對抗遷移學習的刀具剩余壽命預測方法，其特征在于，包括：

S11：采集不同類型刀具切削加工過程的數據，確定歷史類刀具樣本以及新類刀具樣本；

S12：利用所述歷史類刀具樣本的數據，構建歷史類的特征提取模型以及非線性回歸模型；

S13：將所述歷史類刀具樣本的數據與新類刀具樣本的數據進行對抗域適應，構建新類的特征提取模型；

S14：利用所述S13構建的新類的特征提取模型對新類刀具樣本進行時間序列信號的分析和提取，并將所述歷史類的非線性回歸模型遷移至新類刀具，實現新類刀具的剩余壽命預測。

2.根據權利要求1所述的基于對抗遷移學習的刀具剩余壽命預測方法，其特征在于，所述S12進一步包括：

S121：對所述歷史類刀具樣本的原始數據進行預處理，構造用于特征提取模型訓練的時間序列數據集；

S122：確定特征提取模型以及非線性回歸模型的網絡結構及優化方式；

S123：初始化網絡參數，并利用訓練集進行模型參數訓練，預測刀具剩余壽命值，基于預測結果計算回歸損失：

其中，L_reg為回歸損失，Y_s為刀具剩余壽命理論值，Y_s′為刀具剩余壽命預測值，E(·)表示期望；

S124：通過最小化損失函數來調整模型參數，經過多次迭代后，最終得到特征提取模型以及非線性回歸模型。

3.根據權利要求1或2所述的基于對抗遷移學習的刀具剩余壽命預測方法，其特征在于，所述S13進一步包括：

S31：對所述新類刀具樣本的數據進行預處理，構造用于新類的特征提取模型訓練的時間序列數據集；

S32：利用歷史類的特征提取模型的網絡參數對新類的特征提取模型進行初始化，并分別將歷史類和新類刀具樣本數據集輸入到兩個特征提取網絡中，進行歷史類和新類樣本數據的時間序列特征提取；

S33：將所述S32提取得到的時間序列特征輸入到辨別器網絡中，得到歷史類和新類刀具切削加工過程信號對應的域標簽；基于域標簽，分別計算辨別器D和新類刀具樣本的特征提取模型的損失：

L_advD＝-E[log D(M_s(x_s))]-E[log(1-D(M_t(x_t)))]

L_advG＝-E[log(D(M_t(x_t)))]

其中，L_advD為生成器損失，L_advG為辨別器損失，x_t為新類刀具樣本數據，M_t(·)為新類信號特征提取網絡，x_s為歷史類刀具樣本數據，M_s(·)為歷史類信號特征提取網絡，D(·)為辨別器網絡，E(·)表示數學期望；

S34：最小化所述S33中得到的損失以實現辨別器和生成器網絡參數的調整和更新，直到損失不發生變化，辨別器無法分辨信號來自歷史類刀具樣本還是新類刀具樣本，此時完成新類樣本的特征提取模型的構建。

4.根據權利要求1或2所述的基于對抗遷移學習的刀具剩余壽命預測方法，其特征在于，所述S11中的采集不同類型刀具切削加工過程的數據進一步包括：利用刀具狀態監測系統、刀具管理系統收集不同工藝條件下刀具切削加工過程的數據；

其中，所述刀具切削加工過程的數據包括：機床型號、工件信息、刀具信息、切削參數以及功率信號和/或聲發射信號實時監測數據。

5.根據權利要求3所述的基于對抗遷移學習的刀具剩余壽命預測方法，其特征在于，所述S11中的采集不同類型刀具切削加工過程的數據進一步包括：利用刀具狀態監測系統、刀具管理系統收集不同工藝條件下刀具切削加工過程的數據；

其中，所述刀具切削加工過程的數據包括：機床型號、工件信息、刀具信息、切削參數以及功率和/或聲發射實時監測數據。