[發明專利]遷移學習網絡模型、模型訓練方法與基于模型的監測系統

在審

• 申請號: 202210382680.2
• 申請日: 2022-04-13
• 公開（公告）號: CN114818795A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 白劍宇;崔乾東;白昊天;文世挺;楊勁秋
• 申請（專利權）人: 浙大寧波理工學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G08B5/36
• 代理公司: 寧波市鄞州盛飛專利代理事務所(特殊普通合伙) 33243
• 代理人: 龍洋

本發明公開了一種遷移學習網絡模型、模型訓練方法與基于模型的監測系統,涉及遷移學習網絡模型領域,其通過在基于跨階段局部特征融合策略殘差網絡模型的局部殘差模塊與Flatten層之間設置融合層、第一卷積層、批歸一化層、激活層以及第二卷積層，并在融合層引入加工條件編碼，實現了在同一個模型的基礎上預測出不同加工條件下刀具的磨損狀態。

技術領域

本發明涉及遷移學習網絡模型領域，尤其涉及遷移學習網絡模型、模型訓練方法與基于模型的監測系統。

背景技術

目前，由于數控機床加工的工件種類較多，因此，機床切削存在多種工況，另外，產品也會存在定制和小批量的要求，這就導致計算量和樣本量有限，不可能窮盡所有種類的加工工件一一去建立網絡模型以實時預測出在不同工況下數控機床中刀具的磨損狀態。不同的工件在實際加工時會有不同的加工條件，如加工方法、刀具材質、工件材料等都會因為工件種類的不同而不同。

遷移學習是一種利用已有知識向未知領域進行學習的方法，本發明結合遷移學習對不同加工條件下的刀具磨損狀態監測展開研究，以解決刀具監測技術對不同的加工條件適應性差的問題。

發明內容

為了提高基于跨階段局部特征融合策略的殘差網絡模型的泛化性，以在不同的加工條件下實時預測出刀具磨損的狀態，本發明提出了一種遷移學習網絡模型，其為一種對基于跨階段局部特征融合策略的殘差網絡模型進行局部調整，以在各種工件的加工條件下均能預測出數控機床中刀具磨損狀態的網絡模型，所述各加工條件設置有對應的加工條件編碼；所述遷移學習網絡模型包括：

基于跨階段局部特征融合策略的殘差網絡模型；

以及在基于跨階段局部特征融合策略殘差網絡模型的局部殘差模塊與Flatten層之間的：

融合層，用于獲取加工條件編碼，并對局部殘差模塊輸出的特征融合向量與加工條件編碼進行連接，以得到特征連接向量；

第一卷積層，用于對特征連接向量進行卷積計算以獲取特征學習連接向量；

批歸一化層，用于對特征學習連接向量進行批歸一化；

激活層，用于對批歸一化后的特征學習連接向量進行非線性運算，以獲取特征激活向量；

第二卷積層，用于對特征激活向量進行卷積計算以得到特征重學習向量。

進一步地，所述基于跨階段局部特征融合策略的殘差網絡模型，用于預測數控機床中刀具的磨損狀態，其包括：

信號輸入層，用于輸入刀具監測信號；

卷積層，用于對刀具監測信號進行卷積計算以獲取信號特征向量；

批歸一化層，用于對信號特征向量進行批歸一化；

激活層，用于對批歸一化后的信號特征向量進行非線性運算，以獲取信號激活特征向量；

殘差層，其包括殘差塊，殘差塊中設置有左運算通道、右運算通道與合并單元，其中，左運算通道用于對信號激活特征向量進行特征運算以得到殘差左特征向量并輸出；右運算通道用于對信號激活特征向量進行下采樣以得到殘差右特征向量并輸出；合并單元，用于合并輸出的殘差左特征向量與殘差右特征向量以得到殘差特征合并向量；

局部殘差模塊，其包括至少一個局部殘差塊，所述局部殘差塊用于對合并向量進行拆分以得到右特征向量與左特征向量，并通過局部殘差塊中的右側梯度運算通道對右特征向量進行殘差運算，通過局部殘差塊中的左側梯度運算通道對左特征向量進行特征運算，并將殘差運算與特征運算后得到的特征向量進行融合以得到特征融合向量；所述合并向量包括殘差特征合并向量與特征融合向量。

進一步地，所述基于跨階段局部特征融合策略的殘差網絡模型還包括：