一种基于迁移学习的刀具磨损监测方法

技术特征：
1.一种基于迁移学习的刀具磨损监测方法，其特征在于，所述方法包括：s1、采集原始工况和新工况下加工过程的监测信号，监测信号包括切削力信号、振动信号和声发射信号；s2、获取原始工况下和新工况下的刀具磨损值标签，与监测信号整合，得到带标签的原始工况数据集和新工况数据集；s3、构建基于边缘分布自适应的迁移学习模型，迁移学习模型包括特征适配器、两个原始工况刀具磨损监测模型和两个回归网络；原始工况刀具磨损监测模型1用于对原始工况数据集中的监测信号进行高维嵌入空间的特征提取，提取出的特征分别输入至回归网络1中；原始工况刀具磨损监测模型2用于对新工况数据集中的监测信号进行高维嵌入空间的特征提取，提取出的特征分别输入至两个回归网络2中；回归网络1用于拟合输入特征和原始工况数据集中刀具磨损值之间的非线性关系；回归网络2用于拟合输入特征和新工况数据集中刀具磨损值之间的非线性关系；特征适配器用于获取原始工况数据集中特征和新工况数据集中特征的分布差异；s4、以最小化迁移学习模型损失函数为目标，基于带标签的原始工况数据集和新工况数据集训练迁移学习模型，训练完成获得的原始工况刀具磨损监测模型2和回归网络2为新工况刀具磨损监测模型；s5、获取新工况当前时刻的监测信号，将监测信号输入至新工况刀具磨损监测模型进行预测。2.根据权利要求1所述的基于迁移学习的刀具磨损监测方法，其特征在于，s4中，迁移学习模型损失函数为：式中，d
s
表示原始工况刀具磨损监测模型1提取的特征；d
t
表示原始工况刀具磨损监测模型2提取的特征；mmd2(d
s
,d
t
)表示特征适配器获得的分布差异；表示回归网络1的回归损失；表示回归网络2的回归损失；y
s
表示对原始工况数据集中与d
s
对应的刀具磨损值；y
t
表示对新工况数据集中与d
t
对应的刀具磨损值；l表示总损失。3.根据权利要求1所述的基于迁移学习的刀具磨损监测方法，其特征在于，所述方法还包括：s6、将s5预测的当前时刻刀具磨损预测值与前若干时间段内的刀具磨损预测值组成时序数列，对组成的时序数列进行最小二乘法拟合，得到当前时刻预测值，将最小二乘拟合的预测值和s5的刀具磨损预测值进行比较，如果差值大于设定阈值，使用最小二乘拟合的预测值作为当前时刻的预测磨损值，否则，保留s5的刀具磨损预测值，转入s5，进行下一时刻预测。
4.根据权利要求1所述的基于迁移学习的刀具磨损监测方法，其特征在于，s6中，对组成的时序数列进行最小二乘法拟合，目标函数和约束条件包括；s.t.2θ2x
i
θ1≥0其中，y
i
表示刀具磨损预测值时序数列中某一时刻的磨损预测值；x
i
表示对应的切削行程序号；θ0、θ1、θ2表示二次多项式系数。5.根据权利要求1所述的基于迁移学习的刀具磨损监测方法，其特征在于，所述s1中，切削力信号通过在工件底部布置切削力传感器采集获取，振动信号通过在工件和机床工作台布置振动传感器采集获取，声发射信号通过在机床工作台布置声发射传感器采集获取。6.根据权利要求5所述的基于迁移学习的刀具磨损监测方法，其特征在于，所述s2中的监测信号为预处理后的信号，所述预处理包括：s21、在切削进给开始后进行监测信号偏移消除，设定时间段，计算各传感器信号的平均值，并将该平均值作为偏移值从信号中减去，同时计算信号的标准偏差，作为标准偏差基础值，表征监测信号在未进行切削时的波动程度；s22、：在进给过程中周期性计算信号的标准偏差，当标准偏差大于基础值的3倍时，将该时刻标记为切削开始点，并清除开始点以前的监测信号，完成空切段消除；s23、截取稳定切削段的监测信号，对各路监测信号进行z分数标准化，表达式为：其中，x表示样本中某通道信号上某样本点的值；μ表示x这一通道信号数据全部样本点的均值；σ表示x这一通道信号数据全部样本点的标准差；s24、对z分数标准化后的数据以滑动窗口的方式进行降采样处理，计算滑动窗口内数据的前四阶矩统计量：均值、方差、偏度和峰度，即：将所述监测信号转换为四维数据。7.根据权利要求6所述的基于迁移学习的刀具磨损监测方法，其特征在于，所述s2中，采用便携式显微镜拍照的方式记录刀具在切削过程中磨损变化趋势，并结合显微镜像素大小、分辨率和放大倍数对刀具磨损值进行标记，再将磨损值与对应时间段的刀具监测信号进行整合，得到带标签的原始工况数据集和新工况数据集。8.根据权利要求1所述的基于迁移学习的刀具磨损监测方法，其特征在于，所述s4中，所述特征适配器采用最大均值差异法计算分布差异：式中，φ(
·
)表示映射，用于把原变量映射到再生核希尔伯特空间中；d
si
表示原始工况刀具磨损监测模型1提取的第i特征，共n个特征；d
tj
表示原始工况刀具磨损监测模型2提取的第j特征，共m个特征；k(
·
)表示核函数；
表示在希尔伯特空间下计算函数平方和。9.一种计算机可读的存储设备，所述存储设备存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至8任一所述基于迁移学习的刀具磨损监测方法。10.一种闸调器控制杆圆销和圆销开口销丢失检测装置，包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实现如权利要求1至8任一所述基于迁移学习的刀具磨损监测方法。

技术总结
一种基于迁移学习的刀具磨损监测方法，解决了当前基于深度学习的刀具磨损监测模型只能面向单一工况进行建模的问题，属于数控加工中心刀具磨损状态预测技术领域。本发明包括：S1、采集原始工况和新工况下加工过程的监测信号；S2、获取原始工况下和新工况下的刀具磨损值标签，与监测信号整合，得到带标签的原始工况数据集和新工况数据集；S3、构建基于边缘分布自适应的迁移学习模型；S4、以最小化迁移学习模型损失函数为目标，并利用数据集训练，训练完成获得的新工况刀具磨损监测模型；S5、获取新工况当前时刻的监测信号，将监测信号输入至新工况刀具磨损监测模型进行预测。至新工况刀具磨损监测模型进行预测。至新工况刀具磨损监测模型进行预测。


技术研发人员：路勇 王振驰 高栋
受保护的技术使用者：哈尔滨工业大学
技术研发日：2022.09.29
技术公布日：2022/11/18