[發明專利]基于異構域自適應遷移學習的刀具磨損狀態智能識別方法

在審

• 申請號: 202110016625.7
• 申請日: 2021-01-06
• 公開（公告）號: CN112801139A
• 公開（公告）日: 2021-05-14
• 發明（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權代理有限公司 11226
• 代理人: 李明;趙吉陽

公開了一種基于異構域自適應遷移學習的刀具磨損狀態智能識別方法，它包括以下步驟：構建基于異構域自適應遷移學習的刀具磨損狀態識別系統；根據幾種刀具的不同磨損曲線獲取源域數據S及一個目標域數據T，并對數據進行特征提取及特征降維；構建MMD矩陣M，并初始化參數及最大迭代次數；初始化FWELM隨機輸入權重并計算其隱含層輸出矩陣H；利用DST?FWELM計算重構輸出權重；計算重構后的刀具磨損源域數據S′及目標域數據T′；利用重構的源域數據訓練自適應FWELM分類模型；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；以及達到最大迭代次數后，利用最終的自適應FWELM分類模型對刀具磨損狀態進行預測。

技術領域

本發明屬于數控制造設備刀具磨損監測領域，特別涉及一種基于異構域自適應遷移學習的刀具磨損狀態智能識別方法。

背景技術

刀具是加工制造直接的執行者，刀具磨損加重將導致切削力增加、工件表面粗糙度增大、工件尺寸超出公差要求，甚至導致加工停止，使得加工效率降低。刀具狀態監測技術可以及時掌握刀具磨損狀態，這對于提高加工質量和工件的表面精度，以及提高產品經濟效益、節省加工時間等有重要而深遠的意義。為尋找更好的監測方法，拾取與刀具磨損關系緊密的原始信號，進行分析并獲取與刀具磨損狀態映射關系明顯的特征信息，應采用泛化性能良好的識別模型進行刀具狀態的辨識。

然而，由于加工制造過程中，切削力、切削熱、切削振動及加工環境是不斷變化的，以及加工制造在裝夾、參數設置、加工以及拆卸等操作的隨機誤差，導致整個加工過程中充滿了動態不確定性，這些不確定性直接影響著刀具磨損以及工件的加工過程的質量。

因此，進行不確定加工環境下刀具磨損狀態識別對保證加工系統的安全、加工的順利進行、降低生產成本以及提高生產效率等方面具有重要意義。

加工過程動態不確定性使得加工過程中的切削力、切削熱及刀具磨損呈現出強烈的隨機性，造成了加工過程參數的不可知性、狀態變化的不確定性、信息的模糊性和多維信息的耦合性，導致加工過程模型建立的不確定性。此外，加工過程刀具磨損、材質不均、電壓與負載變化以及加工環境等因素，也極大的增加了加工過程建模的難度。針對上述問題，基于模糊集的極限學習機識別模型應運而生。

模糊集的基本思想是以處理概念模糊不確定性的事物為其研究目標，并將其嚴密的量化成計算機可以處理的信息。將模糊集的理念加入到極限學習機中，能充分挖掘每個樣本在特征空間中的分布，并對其各自的特征進行模糊化與個性化設置，可極大的拓寬極限學習機處理信息的范圍和能力，使其不僅能處理精確信息，也能處理加工過程中的模糊信息或其他的不確定信息，不僅能實現精確性聯想及映射，還可實現不精確行聯想及映射，特別是模糊聯想及模糊映射。因此，將模糊集用于極限學習機能有效降低加工系統的不確定性帶來的影響，且能提升識別模型的泛化性能。然而僅僅抑制加工系統的不確定性帶來的影響是完全不夠的，加工系統及刀具磨損狀態的動態時變性也是影響刀具磨損狀態識別模型的重要因素。

在刀具磨損狀態的識別問題中，其數據集存在不均勻性的辨識問題，且刀具磨損狀態具有的復雜分段特性，導致模糊極限學習機不能很好地處理刀具磨損狀態的識別問題，而模糊小波極限學習機作為小波分析和模糊極限學習機結合的產物，將小波基函數植入模糊極限學習機的隱層神經元，繼承了小波的時頻局部特性和聚焦特性，能有效辨識信號的奇異性，有效克服了傳統神經網絡存在的收斂速度慢、易陷入局部極值、學習步長難以確定等問題。因此，將模糊小波極限學習機用于刀具磨損狀態識別，能有效解決加工系統及刀具磨損狀態的動態時變特性及不確定性引發的干擾問題，且能使得識別模型的訓練與測試速度更快、結果更準確。

發明專利“一種基于切削力模型的刀具磨損監測方法”(CN106002488B)，利用非等分剪切區模型計算切削過程中由切屑的形成而產生的鋒利刀具作用下的切削力，建立刀具監測模型，從而實現對刀具磨損的實時監測。但該方法需要獲取切削過程中的切削力，而切削系統的不確定性將導致切削力的不穩定，進而導致刀具磨損的監測結果準確度不足。