[發(fā)明專利]基于多源樣本遷移強(qiáng)化學(xué)習(xí)的智能加工刀具磨損預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011462218.0
• 申請(qǐng)日: 2020-12-10
• 公開（公告）號(hào): CN112518425B
• 公開（公告）日: 2022-10-04
• 發(fā)明（設(shè)計(jì)）人: 楊文安;劉學(xué)為;郭宇
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): B23Q17/09
• 分類號(hào): B23Q17/09
• 代理公司: 北京中知法苑知識(shí)產(chǎn)權(quán)代理有限公司 11226
• 代理人: 李明;趙吉陽

1.一種基于多源樣本遷移強(qiáng)化學(xué)習(xí)的智能加工刀具磨損預(yù)測(cè)方法，其特征在于，包括以下步驟：

步驟一：構(gòu)建基于多源遷移強(qiáng)化學(xué)習(xí)的智能加工刀具磨損預(yù)測(cè)系統(tǒng)，其中，所述智能加工刀具磨損預(yù)測(cè)系統(tǒng)包括刀具狀態(tài)虛擬檢測(cè)對(duì)象，所述刀具狀態(tài)虛擬檢測(cè)對(duì)象為不同的刀具；

步驟二：根據(jù)幾種刀具的不同磨損曲線獲取多個(gè)源任務(wù)及一個(gè)目標(biāo)任務(wù)；

步驟三：初始化模型參數(shù)及最大迭代時(shí)間；

步驟四：檢測(cè)當(dāng)前刀具的磨損狀態(tài)，對(duì)磨損數(shù)據(jù)進(jìn)行特征提取及降維，構(gòu)建加權(quán)極限學(xué)習(xí)機(jī)的訓(xùn)練樣本集，并訓(xùn)練加權(quán)極限學(xué)習(xí)機(jī)；

步驟五：執(zhí)行加工動(dòng)作，觀察當(dāng)前刀具的磨損狀態(tài)，并同時(shí)觀察刀具的下一個(gè)磨損狀態(tài)及回報(bào)，計(jì)算各源任務(wù)和目標(biāo)任務(wù)之間的狀態(tài)相似度和回報(bào)相似度；

步驟六：計(jì)算源任務(wù)中各樣本屬于目標(biāo)樣本集的概率，并基于該概率對(duì)每個(gè)刀具磨損源任務(wù)的樣本進(jìn)行降序排列；

步驟七：獲取任務(wù)相似度，并將固定個(gè)數(shù)的樣本從每個(gè)源樣本集遷移到目標(biāo)樣本集；

步驟八：利用基于加權(quán)極限學(xué)習(xí)機(jī)的Q學(xué)習(xí)機(jī)制更新Q值，并將新的刀具磨損數(shù)據(jù)添加到目標(biāo)樣本集中，然后向前滾動(dòng)時(shí)間窗口以丟棄最舊的樣本；

步驟九：構(gòu)建粒子濾波模型的狀態(tài)方程及觀測(cè)方程；以及

步驟十：對(duì)智能加工的刀具磨損狀態(tài)進(jìn)行預(yù)測(cè)，

其中，在所述步驟四中，利用在線及離線測(cè)量的方法檢測(cè)當(dāng)前刀具的磨損狀態(tài)，并對(duì)磨損數(shù)據(jù)進(jìn)行特征提取及降維后用于構(gòu)建訓(xùn)練樣本集。

2.根據(jù)權(quán)利要求1所述的智能加工刀具磨損預(yù)測(cè)方法，其特征在于，在所述步驟五中，利用得到的狀態(tài)相似度和回報(bào)相似度來量化源任務(wù)各樣本與目標(biāo)任務(wù)之間的相似程度；在所述步驟六中，將所述狀態(tài)相似度及所述回報(bào)相似度用于計(jì)算源任務(wù)中各樣本屬于目標(biāo)樣本集的概率。

3.根據(jù)權(quán)利要求1所述的智能加工刀具磨損預(yù)測(cè)方法，其特征在于，在所述步驟六中，將源任務(wù)中各樣本屬于目標(biāo)樣本集的概率作為樣本遷移權(quán)值，該值決定了樣本遷移的可能性大小。

4.根據(jù)權(quán)利要求1所述的智能加工刀具磨損預(yù)測(cè)方法，其特征在于，在所述步驟七中，根據(jù)貝葉斯概率分析理論計(jì)算任務(wù)相似度，該值用于決定從每個(gè)源任務(wù)遷移到目標(biāo)任務(wù)集的樣本數(shù)目。

5.根據(jù)權(quán)利要求1所述的智能加工刀具磨損預(yù)測(cè)方法，其特征在于，在所述步驟八中，利用不同的概率來選擇最大Q值或隨機(jī)Q值來更新Q值。

6.根據(jù)權(quán)利要求1所述的智能加工刀具磨損預(yù)測(cè)方法，其特征在于，在所述步驟八中，滾動(dòng)時(shí)間窗口用于更新目標(biāo)樣本集，避免樣本集過大導(dǎo)致加權(quán)極限學(xué)習(xí)機(jī)的學(xué)習(xí)速度過慢。

7.一種基于多源樣本遷移強(qiáng)化學(xué)習(xí)的智能加工刀具磨損預(yù)測(cè)系統(tǒng)，其特征在于，所述能加工刀具磨損預(yù)測(cè)系統(tǒng)包括存儲(chǔ)器和處理器，所述存儲(chǔ)器上存儲(chǔ)有指令，當(dāng)所述指令被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)根據(jù)權(quán)利要求1-6中任一項(xiàng)所述的方法。