[發(fā)明專利]基于異構域自適應遷移學習的刀具磨損狀態(tài)智能識別方法

在審

• 申請?zhí)枺?/td>: 202110016625.7
• 申請日: 2021-01-06
• 公開（公告）號: CN112801139A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設計）人: 楊文安;劉學為
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/18;G06N20/00
• 代理公司: 北京中知法苑知識產(chǎn)權代理有限公司 11226
• 代理人: 李明;趙吉陽

1.一種基于異構域自適應遷移學習的刀具磨損狀態(tài)智能識別方法，其特征在于，包括以下步驟：

步驟一：構建基于異構域自適應遷移學習的刀具磨損狀態(tài)識別系統(tǒng)；

步驟二：根據(jù)幾種刀具的不同磨損曲線獲取源域數(shù)據(jù)S及一個目標域數(shù)據(jù)T，并對數(shù)據(jù)進行特征提取及特征降維；

步驟三：構建MMD矩陣M，并初始化參數(shù)及最大迭代次數(shù)；

步驟四：初始化FWELM隨機輸入權重并計算其隱含層輸出矩陣H；

步驟五：利用DST-FWELM計算重構輸出權重；

步驟六：計算重構后的刀具磨損源域數(shù)據(jù)S′及目標域數(shù)據(jù)T′；

步驟七：利用重構的源域數(shù)據(jù)訓練自適應FWELM分類模型；

步驟八：利用自適應FWELM分類模型更新目標偽標簽及及條件矩陣M_k；以及

步驟九：達到最大迭代次數(shù)后，利用最終的自適應FWELM分類模型對刀具磨損狀態(tài)進行預測。

2.根據(jù)權利要求1所述的基于異構域自適應遷移學習的刀具磨損狀態(tài)智能識別方法，其特征在于，在所述步驟二中，利用線性回歸的方法選擇數(shù)據(jù)的特征中表現(xiàn)顯著的特征，并將其他表現(xiàn)不顯著的特征剔除。

3.根據(jù)權利要求1所述的基于異構域自適應遷移學習的刀具磨損狀態(tài)智能識別方法，其特征在于，在所述步驟三中，需要初始化的參數(shù)包括FWELM中的隸屬函數(shù)系數(shù)、小波函數(shù)系數(shù)以及MMD中的比例系數(shù)。

4.根據(jù)權利要求1所述的基于異構域自適應遷移學習的刀具磨損狀態(tài)智能識別方法，其特征在于，在所述步驟五中，重構輸出權重用于將源域數(shù)據(jù)與目標域數(shù)據(jù)轉換到同一個特征空間。

5.根據(jù)權利要求1所述的基于異構域自適應遷移學習的刀具磨損狀態(tài)智能識別方法，其特征在于，在所述步驟七中，直接將重構的源域數(shù)據(jù)輸入到自適應FWELM分類器中，自適應FWELM分類器重新初始化分類器內部的輸入權重及閾值。

6.根據(jù)權利要求1所述的基于異構域自適應遷移學習的刀具磨損狀態(tài)智能識別方法，其特征在于，在所述步驟八中，將重構的目標域數(shù)據(jù)輸入到訓練后的自適應FWELM分類器中，得到對應于目標域的偽標簽，并利用偽標簽更新條件矩陣。

7.根據(jù)權利要求1所述的基于異構域自適應遷移學習的刀具磨損狀態(tài)智能識別方法，其特征在于，所述刀具磨損狀態(tài)識別系統(tǒng)包括刀具狀態(tài)源域數(shù)據(jù)采集對象、刀具狀態(tài)目標域數(shù)據(jù)采集對象、數(shù)據(jù)處理模型和DST-FWELM模型。

8.根據(jù)權利要求2所述的基于異構域自適應遷移學習的刀具磨損狀態(tài)智能識別方法，其特征在于，所述特征降維包括：

提取源域數(shù)據(jù)與目標域數(shù)據(jù)中的統(tǒng)計特征、頻域特征及時頻域特征；

將刀具磨損的不同樣本作為自變量，將每個樣本對應的特征作為不同的自變量類型，將刀具磨損值作為目標值，進行線性回歸；

利用線性回歸得到的每個變量系數(shù)及系數(shù)的顯著性水平p值；以及

將p值小于0.05的系數(shù)及對應的特征保留，將其他的特征剔除。