[發(fā)明專利]基于遷移學(xué)習(xí)的機(jī)床響應(yīng)建模方法、系統(tǒng)及響應(yīng)預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202111570003.5
• 申請日: 2021-12-21
• 公開（公告）號: CN114239733A
• 公開（公告）日: 2022-03-25
• 發(fā)明（設(shè)計(jì)）人: 胡鵬程;謝杰君;高仕博
• 申請（專利權(quán)）人: 華中科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02;G06F30/27
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 汪潔麗

本發(fā)明公開了一種基于遷移學(xué)習(xí)的機(jī)床響應(yīng)建模方法、建模系統(tǒng)以及響應(yīng)預(yù)測方法，該建模方法包括：利用源域數(shù)據(jù)訓(xùn)練源域響應(yīng)預(yù)測模型；在源域響應(yīng)預(yù)測模型上加入自適應(yīng)層，以使損失函數(shù)小于預(yù)設(shè)值為目標(biāo)反向調(diào)節(jié)源域響應(yīng)預(yù)測模型的參數(shù)，得到域適應(yīng)初始模型，損失函數(shù)包括分類損失和域適應(yīng)損失；將目標(biāo)域數(shù)據(jù)輸入域適應(yīng)初始模型進(jìn)行微調(diào)，得到域適應(yīng)模型；將源域數(shù)據(jù)輸入域適應(yīng)模型，得到輔助訓(xùn)練數(shù)據(jù)；利用輔助訓(xùn)練數(shù)據(jù)和目標(biāo)域數(shù)據(jù)訓(xùn)練目標(biāo)域響應(yīng)預(yù)測模型。該方法結(jié)合模型遷移和樣本遷移，實(shí)現(xiàn)源域數(shù)據(jù)的復(fù)用，減少了新工況下模型建立對新數(shù)據(jù)的需求量，從而降低實(shí)際生產(chǎn)中面對多種不同工況進(jìn)行數(shù)據(jù)采集的實(shí)驗(yàn)成本。

技術(shù)領(lǐng)域

本發(fā)明屬于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技術(shù)領(lǐng)域，更具體地，涉及一種基于遷移學(xué)習(xí)的機(jī)床響應(yīng)建模方法、建模系統(tǒng)以及響應(yīng)預(yù)測方法。

背景技術(shù)

在現(xiàn)代加工過程中，利用計(jì)算機(jī)技術(shù)建立機(jī)床響應(yīng)模型可以快速預(yù)測對應(yīng)工藝參數(shù)條件下的機(jī)床響應(yīng)，如今數(shù)據(jù)驅(qū)動(dòng)建模是最常用的預(yù)測機(jī)床響應(yīng)的方法之一，建立性能優(yōu)良的模型可以快速預(yù)測得到機(jī)床響應(yīng)。眾多的研究者一直致力于特定場景建模的研究，然而，當(dāng)工況發(fā)生改變時(shí)，需要根據(jù)新的工藝條件重新建模。例如，通過切削建模預(yù)測主軸功率時(shí)，不同的加工條件對模型有不同的系數(shù)和參數(shù)。因此，一種切削條件下的模型難以應(yīng)用于另一種切削條件。例如，加工鋁的切削功率模型不能用于預(yù)測切削鋼的功率。在這種情況下，唯一可行的方法是根據(jù)新的切削條件重建模型。然而，這是一個(gè)耗時(shí)且繁瑣的過程，尤其是對于具有大量切削條件組合的銑削操作。如何在新的加工條件下高效、方便地建立預(yù)測模型是一個(gè)迫切而富有挑戰(zhàn)性的問題。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種基于遷移學(xué)習(xí)的機(jī)床響應(yīng)建模方法、建模系統(tǒng)以及響應(yīng)預(yù)測方法，其目的在于結(jié)合已有的不同工況下的數(shù)據(jù)集進(jìn)行建模，由此解決重新獲取當(dāng)前工況下的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行建模所導(dǎo)致的效率低、耗時(shí)長的技術(shù)問題。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種基于遷移學(xué)習(xí)的機(jī)床響應(yīng)建模方法，包括：

獲取源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)，其中，所述源域數(shù)據(jù)為第一工況下的樣本數(shù)據(jù)，所述目標(biāo)域數(shù)據(jù)為第二工況下的樣本數(shù)據(jù)；

利用所述源域數(shù)據(jù)訓(xùn)練源域響應(yīng)預(yù)測模型；

在所述源域響應(yīng)預(yù)測模型上加入自適應(yīng)層，將所述源域數(shù)據(jù)輸入所述源域響應(yīng)預(yù)測模型，基于所述自適應(yīng)層計(jì)算損失函數(shù)并以使所述損失函數(shù)小于預(yù)設(shè)值為目標(biāo)反向調(diào)節(jié)所述源域響應(yīng)預(yù)測模型的參數(shù)，得到域適應(yīng)初始模型，所述損失函數(shù)包括分類損失和域適應(yīng)損失，所述域適應(yīng)損失包括所述源域數(shù)據(jù)和所述目標(biāo)域數(shù)據(jù)之間的最大均值差異損失；

將所述目標(biāo)域數(shù)據(jù)輸入所述域適應(yīng)初始模型，以分類損失函數(shù)小于預(yù)設(shè)值為目標(biāo)對所述域適應(yīng)初始模型的參數(shù)進(jìn)行反向微調(diào)，得到域適應(yīng)模型；

將所述源域數(shù)據(jù)輸入所述域適應(yīng)模型，得到輔助訓(xùn)練數(shù)據(jù)；

利用所述輔助訓(xùn)練數(shù)據(jù)和所述目標(biāo)域數(shù)據(jù)訓(xùn)練目標(biāo)域響應(yīng)預(yù)測模型。

在其中一個(gè)實(shí)施例中，

所述源域數(shù)據(jù)包括：

所述目標(biāo)域數(shù)據(jù)包括：

其中，x_i表示第i個(gè)樣本數(shù)據(jù)中的工藝參數(shù)特征向量，y_i表示第i個(gè)樣本數(shù)據(jù)中與工藝參數(shù)特征向量對應(yīng)的響應(yīng)特征；n表示源域數(shù)據(jù)的樣本數(shù)量，m表示目標(biāo)域的樣本數(shù)量，k表示每個(gè)樣本內(nèi)的特征維度；

包括分類損失和域適應(yīng)損失的損失函數(shù)為：

其中，表示將輸入所述源域響應(yīng)預(yù)測模型所得到的結(jié)果，λ為權(quán)重。