CN112801139B - 基于异构域自适应迁移学习的刀具磨损状态智能识别方法 - Google Patents
基于异构域自适应迁移学习的刀具磨损状态智能识别方法 Download PDFInfo
- Publication number
- CN112801139B CN112801139B CN202110016625.7A CN202110016625A CN112801139B CN 112801139 B CN112801139 B CN 112801139B CN 202110016625 A CN202110016625 A CN 202110016625A CN 112801139 B CN112801139 B CN 112801139B
- Authority
- CN
- China
- Prior art keywords
- fwelm
- adaptive
- domain data
- wear state
- cutter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013526 transfer learning Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000005299 abrasion Methods 0.000 claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000002472 multi-metal deposition Methods 0.000 description 43
- 238000009826 distribution Methods 0.000 description 20
- 238000003754 machining Methods 0.000 description 17
- 238000005520 cutting process Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 13
- 238000013507 mapping Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Numerical Control (AREA)
- Image Analysis (AREA)
Abstract
公开了一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法,它包括以下步骤:构建基于异构域自适应迁移学习的刀具磨损状态识别***;根据几种刀具的不同磨损曲线获取源域数据S及一个目标域数据T,并对数据进行特征提取及特征降维;构建MMD矩阵M,并初始化参数及最大迭代次数;初始化FWELM随机输入权重并计算其隐含层输出矩阵H;利用DST‑FWELM计算重构输出权重;计算重构后的刀具磨损源域数据S′及目标域数据T′;利用重构的源域数据训练自适应FWELM分类模型;利用自适应FWELM分类模型更新目标伪标签及及条件矩阵Mk;以及达到最大迭代次数后,利用最终的自适应FWELM分类模型对刀具磨损状态进行预测。
Description
技术领域
本发明属于数控制造设备刀具磨损监测领域,特别涉及一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法。
背景技术
刀具是加工制造直接的执行者,刀具磨损加重将导致切削力增加、工件表面粗糙度增大、工件尺寸超出公差要求,甚至导致加工停止,使得加工效率降低。刀具状态监测技术可以及时掌握刀具磨损状态,这对于提高加工质量和工件的表面精度,以及提高产品经济效益、节省加工时间等有重要而深远的意义。为寻找更好的监测方法,拾取与刀具磨损关系紧密的原始信号,进行分析并获取与刀具磨损状态映射关系明显的特征信息,应采用泛化性能良好的识别模型进行刀具状态的辨识。
然而,由于加工制造过程中,切削力、切削热、切削振动及加工环境是不断变化的,以及加工制造在装夹、参数设置、加工以及拆卸等操作的随机误差,导致整个加工过程中充满了动态不确定性,这些不确定性直接影响着刀具磨损以及工件的加工过程的质量。
因此,进行不确定加工环境下刀具磨损状态识别对保证加工***的安全、加工的顺利进行、降低生产成本以及提高生产效率等方面具有重要意义。
加工过程动态不确定性使得加工过程中的切削力、切削热及刀具磨损呈现出强烈的随机性,造成了加工过程参数的不可知性、状态变化的不确定性、信息的模糊性和多维信息的耦合性,导致加工过程模型建立的不确定性。此外,加工过程刀具磨损、材质不均、电压与负载变化以及加工环境等因素,也极大的增加了加工过程建模的难度。针对上述问题,基于模糊集的极限学习机识别模型应运而生。
模糊集的基本思想是以处理概念模糊不确定性的事物为其研究目标,并将其严密的量化成计算机可以处理的信息。将模糊集的理念加入到极限学习机中,能充分挖掘每个样本在特征空间中的分布,并对其各自的特征进行模糊化与个性化设置,可极大的拓宽极限学习机处理信息的范围和能力,使其不仅能处理精确信息,也能处理加工过程中的模糊信息或其他的不确定信息,不仅能实现精确性联想及映射,还可实现不精确行联想及映射,特别是模糊联想及模糊映射。因此,将模糊集用于极限学习机能有效降低加工***的不确定性带来的影响,且能提升识别模型的泛化性能。然而仅仅抑制加工***的不确定性带来的影响是完全不够的,加工***及刀具磨损状态的动态时变性也是影响刀具磨损状态识别模型的重要因素。
在刀具磨损状态的识别问题中,其数据集存在不均匀性的辨识问题,且刀具磨损状态具有的复杂分段特性,导致模糊极限学习机不能很好地处理刀具磨损状态的识别问题,而模糊小波极限学习机作为小波分析和模糊极限学习机结合的产物,将小波基函数植入模糊极限学习机的隐层神经元,继承了小波的时频局部特性和聚焦特性,能有效辨识信号的奇异性,有效克服了传统神经网络存在的收敛速度慢、易陷入局部极值、学习步长难以确定等问题。因此,将模糊小波极限学习机用于刀具磨损状态识别,能有效解决加工***及刀具磨损状态的动态时变特性及不确定性引发的干扰问题,且能使得识别模型的训练与测试速度更快、结果更准确。
发明专利“一种基于切削力模型的刀具磨损监测方法”(CN106002488B),利用非等分剪切区模型计算切削过程中由切屑的形成而产生的锋利刀具作用下的切削力,建立刀具监测模型,从而实现对刀具磨损的实时监测。但该方法需要获取切削过程中的切削力,而切削***的不确定性将导致切削力的不稳定,进而导致刀具磨损的监测结果准确度不足。
发明专利“刀具破磨损状态检测方法及其检测***”(CN102765010B),通过测量刀具切削、磨削过程中的振动信号,并对振动信号进行分类整理与特征提取,再统计各类信号的峭度指标和峰值指标,利用该指标的动态分布来检测刀具的破磨损和机床运行状态。但该方法通过信号的特征直接判断刀具状态,导致检测结果易受到***环境的干扰,准确度不足。
发明专利“一种数控机床刀具磨损监测方法”(CN102091972B),通过对采集的伺服驱动电流信号进行分析处理,并利用小波包分析技术对信号再频域内进行分解,得出信号在各个频段内的时频域特征,并利用神经网络来对刀具磨损过程进行学习及监测。但该方法利用的神经网络只能针对同一类型的刀具进行监测,而不能监测不同类型的刀具,适用性不足。
发明专利“基于条件随机场模型的刀具磨损状态监测方法”(CN102689230B),通过采集切削过程中的声发射信号,并对其进行预处理和相关的特征提取,将其作为条件随机场模型的训练数据,之后将测试样本输入建立的模型,输出所对应的刀具磨损状态。但该方法需要提取大量的训练数据,增加了训练的时间,导致模型的实时性不足,且该方法不能监测不同类型的刀具,使用的局限很大。
针对上述问题,本发明拟设计基于异构域自适应迁移学习的刀具磨损状态智能识别方法,该方法利用最大均值差异(Maximum mean discrepancy,MMD)算法及模糊小波极限学习机(Fuzzy wavelet extreme learning machine,FWELM)模型,结合域迁移思想,有效解决了目前加工过程中刀具磨损状态识别***存在的识别目标单一及准确性不足的问题。
发明内容
针对现有刀具磨损监测方法的不足,本发明的目的在于提供一种能够实现准确性好、普适性广的可用于监测不同类别刀具磨损状态的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,该方法利用MMD算法,减小了不同刀具的磨损状态数据间的分布差异,使得该模型能监测不同刀具的磨损状态,并减少了需要的训练数据量,使得模型的训练更加迅速,结合域迁移的思想,使得模型能训练与测试不同特征数量的数据,利用FWELM算法,降低整个模型的复杂性,使得模型更加有效,提升了模型的准确度。
本公开的实施例提供了一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法,它可以包括以下步骤:
步骤一:构建基于异构域自适应迁移学习的刀具磨损状态识别***;
步骤二:根据几种刀具的不同磨损曲线获取源域数据S及一个目标域数据T,并对数据进行特征提取及特征降维;
步骤三:构建MMD矩阵M,并初始化参数及最大迭代次数;
步骤四:初始化FWELM随机输入权重并计算其模糊隐含层输出矩阵H;
步骤五:利用域空间迁移-模糊小波极限学习机(Domain Space Transfer-FuzzyWavelet Extreme Learning Machine,DST-FWELM)计算重构输出权重;
步骤六:计算重构后的刀具磨损源域数据S′及目标域数据T′;
步骤七:利用重构的源域数据训练自适应FWELM分类模型;
步骤八:利用自适应FWELM分类模型更新目标伪标签及及条件矩阵Mk;以及
步骤九:达到最大迭代次数后,利用最终的自适应FWELM分类模型对刀具磨损状态进行预测。
根据一些示例性实施例,在步骤一中,基于异构域自适应迁移学习的刀具磨损状态识别***,分为刀具状态源域数据采集对象、刀具状态目标域数据采集对象、数据处理模型与DST-FWELM模型。其中刀具状态源域数据采集对象为不同的刀具,从中采集到源域数据;刀具状态目标域数据采集对象为待监测的刀具,从中采集到少量的目标域数据;数据处理模型包括数据的特征提取以及特征降维,其中特征降维指利用线性回归的方法将所有特征中表现显著的特征提取出来,作为最后训练用的特征,并将表现不显著的特征剔除;
ST-FWELM模型主要由MMD算法与FWELM模型组成,其中MMD算法用于度量源域数据与目标域数据间的分布距离,并通过分布距离的最小化来重构源域数据与目标域数据,FWELM模型用于完成对重构后的源域数据的训练及目标域数据的测试;最后,将训练好的DST-FWELM模型用于目标刀具的磨损状态监测。
根据一些示例性实施例,在步骤二中,利用线性回归的方法选择数据的特征中表现显著的特征,并将其他表现不显著的特征剔除,其中线性回归的降维步骤如下:
(1)提取源域数据与目标域数据中的统计特征、频域特征及时频域特征;
(2)将刀具磨损的不同样本作为自变量,将每个样本对应的特征作为不同的自变量类型,将刀具磨损值作为目标值,进行线性回归;
(3)利用线性回归得到的每个变量系数及系数的显著性水平p值,p值越小,证明该系数的显著性越高;以及
(4)将p值小于0.05的系数及对应的特征保留,将其他的特征剔除。
根据一些示例性实施例,在步骤三中,需要初始化的参数为FWELM中的隶属函数的系数矩阵(ci=[ci1,…,cin]T,ai=[ai1,…,ain]T,i=1,...,L),FWELM中的小波函数的系数矩阵(bi=[bi1,…,bin]T,di=[di1,…,din]T,i=1,...,L),MMD中的比例系数λ,FWELM的模糊规则数L。
根据一些示例性实施例,在步骤四中,FWELM随机输入权重为wi=[wi1,wi2,...,win],初始阈值为oi∈R,H矩阵按如下公式计算:
利用H矩阵将刀具磨损源域数据与目标域数据转换到同一个特征空间。
根据一些示例性实施例,在步骤五中,MMD的计算方法如下:
MMD是基于两个分布之间最大平均函数值差的有效非参数分布距离度量:
式中F为一类映射函数,当且仅当p=q时,MMD2(F,p,q)=0成立。
对于分别遵循分布p与q的两个数据集与两个数据集在H空间的MMD距离为:
式中φ为特征映射函数,||·||H为RKHS空间。
根据一些示例性实施例,在步骤五中,基于刀具磨损数据的MMD的计算方法如下:
作为分布距离的非参数估计器,MMD用于将知识从一个域转移到另一个域。在DST-FWELM中,将经验MMD项作为惩罚添加到FWELM公式中。MMD的距离度量方法为
将MMD以矩阵形式表示为
MMD2(ΦS,ΦT)=Tr[βTHTMHβ] (5)
式中为MMD矩阵,具体表示为
优选地,步骤五中重构输出权重的计算方法如下:
DST-FWELM同时执行目标刀具磨损数据的信息保留和分布距离减少,并重建两个域的数据,得到DST-FWELM目标函数
将矩阵扩展为尺寸一致的矩阵,令 将最小化问题重写为
显然,该最小化问题是一个凸二次最小化问题,其最优值等于固定点,即
β*+HTΔHβ*-HTΔX′+λHTMHβ*=0 (9)
求得输出权重β*为
当L>nS+nT时,
当L>nS+nT时,
β*=(IL+HT(Δ+λM)H)-1HTΔX′ (11)
优选地,步骤四中利用条件MMD计算输出权重的方法为:
在DST-FWELM模型中,考虑了边际分布距离,但没有涉及条件分布。实际上,仅减小域之间的边界距离的算法可能无法很好地执行,因为未利用源数据的标签信息。为了充分利用可用数据集,还应将源数据标签知识转移到目标域以改善数据重构。
为此,在上述的公式中添加了条件MMD,其中目标样本的初始伪标签是从FWELM分类器中获取的,该FWELM分类器从源数据或使用边际MMD度量重建的源数据中训练而来。我们将条件MMD的平方表示为定义为
将其转换为矩阵形式为
式中为第k类的MMD条件矩阵
将有条件的MMD合并到DST-FWELM中,得到如下式子
当L>nS+nT时,
当L≤nS+nT时,
根据一些示例性实施例,在步骤七中,模糊小波(Fuzzy Wavelet,FW)的结构定义为:
Ri:若x1为x2为/>…、xn为/>则ym为/>式中/>的值取决于n的奇偶性,当n为偶数时,
当n为奇数时,
每个模糊规则的线性系数的数量为其中/>表示大于或等于n的最小整数,FW的隶属函数部分的计算公式为
式中c为中心位置,a控制x=c处交叉点的斜率。
根据一些示例性实施例,在步骤七中FWELM的分类模型为:
对于N个不同的训练数据(xi,ti),其中xi=[xi1,…,xin]T,ti=[ti1,…,tim]T,L为模糊规则数,则包含参数(βi,ci,ai)的FW模型为
式中qiFW(i=1,...,L)为
基于n的奇偶性,FWELM中的小波函数为
当n为偶数时,
当n为奇数时,
根据上述式子得到,FW模型为
将其改写为矩阵形式
HQ=T (27)
式中H为模糊小波模型的参数矩阵
Q为线性参数矩阵
根据一些示例性实施例,在步骤七中FWELM的算法步骤包括:
对于N个不同的训练数据(xi,ti),其中xi=[xi1,...,xin]T,ti=[ti1,…,tim]T,L为模糊规则数。
(1)随机设置隶属函数及小波函数的参数(ci=[ci1,…,cin]T,ai=[ai1,...,ain]T,bi=[bi1,...,bin]T,di=[di1,...,din]T,i=1,...,L);
(2)计算H矩阵;
(3)根据HQ=T,得Q=H+T,式中H+为H的广义逆矩阵。
相较于现有技术,本发明的实施例提供的技术方案具有如下有益效果:
(1)本发明采用的域迁移思想,其具有如下优点:
1)使得刀具磨损状态识别***能对不同特征数的训练数据进行训练,这一优点显著提高了模型训练的普适性;
2)利用刀具磨损状态识别***能降低不同刀具磨损训练数据集之间的差异性,使得该模型能适用于不同类型刀具的磨损状态识别;
(2)本发明采用的模糊小波极限学习机模型,具有如下优点:
1)使刀具磨损状态识别***能降低环境因素及加工过程的动态不确定性带来的干扰,使得状态识别结果更加准确;
2)使刀具磨损状态识别***的复杂性降低,使得***更加容易调试,训练速度提高。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的基于异构域自适应迁移学习的刀具磨损状态识别***框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本领域普通技术人员所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
如图1所示,本公开的实施例提供一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法,所述方法可以包括以下步骤。
在步骤一中,构建基于异构域自适应迁移学习的刀具磨损状态识别***,如图1所示。
具体地,步骤一中基于异构域自适应迁移学习的刀具磨损状态识别***,分为刀具状态源域数据采集对象、刀具状态目标域数据采集对象、数据处理模型与DST-FWELM模型。其中刀具状态源域数据采集对象为不同的刀具,从中采集到大量的源域数据;刀具状态目标域数据采集对象为待监测的刀具,从中采集到少量的目标域数据;数据处理模型包括数据的特征提取以及特征降维,其中特征降维指利用线性回归的方法将所有特征中表现显著的特征提取出来,作为最后训练用的特征,并将表现不显著的特征剔除;DST-FWELM模型主要由MMD算法与FWELM模型组成,其中MMD算法用于度量源域数据与目标域数据间的分布距离,并通过分布距离的最小化来重构源域数据与目标域数据,FWELM模型用于完成对重构后的源域数据的训练及目标域数据的测试;最后,将训练好的DST-FWELM模型用于目标刀具的磨损状态监测。
在步骤二中,根据几种刀具的不同磨损曲线获取源域数据S及一个目标域数据T,并对数据进行特征提取及特征降维。
具体地,步骤二中利用线性回归的方法选择数据的特征中表现显著的特征,并将其他表现不显著的特征剔除,其中线性回归的降维步骤如下:
(1)提取源域数据与目标域数据中的统计特征、频域特征及时频域特征;
(2)将刀具磨损的不同样本作为自变量,将每个样本对应的特征作为不同的自变量类型,将刀具磨损值作为目标值,进行线性回归;
(3)利用线性回归得到的每个变量系数及系数的显著性水平p值,p值越小,证明该系数的显著性越高;
(4)将p值小于0.05的系数及对应的特征保留,将其他的特征剔除。
在步骤三中,构建MMD矩阵M,并初始化参数及最大迭代次数。
具体地,步骤三中需要初始化的参数为FWELM中的隶属函数的系数矩阵(ci=[ci1,…,cin]T,ai=[ai1,…,ain]T,i=1,...,L),FWELM中的小波函数的系数矩阵(bi=[bi1,...,bin]T,di=[di1,...,din]T,i=1,...,L),MMD中的比例系数λ,FWELM的模糊规则数L。
在步骤四中,初始化FWELM随机输入权重并计算其模糊隐含层输出矩阵H。
具体地,步骤四中FWELM随机输入权重为wi=[wi1,wi2,...,win],初始阈值为oi∈R,H矩阵按如下公式计算:
利用H矩阵将刀具磨损源域数据与目标域数据转换到同一个特征空间。
在步骤五中,利用DST-FWELM计算重构输出权重。
具体地,步骤五中MMD的计算方法如下:
MMD是基于两个分布之间最大平均函数值差的有效非参数分布距离度量:
式中F为一类映射函数,当且仅当p=q时,MMD2(F,p,q)=0成立。
对于分别遵循分布p与q的两个数据集与两个数据集在H空间的MMD距离为:
式中φ为特征映射函数,||·||H为RKHS空间。
具体地,步骤五中基于刀具磨损数据的MMD的计算方法如下:
作为分布距离的非参数估计器,MMD用于将知识从一个域转移到另一个域。在DST-FWELM中,将经验MMD项作为惩罚添加到FWELM公式中。MMD的距离度量方法为
将MMD以矩阵形式表示为
MMD2(ΦS,ΦT)=Tr[βTHTMHβ] (5)
式中为MMD矩阵,具体表示为
具体地,步骤五中重构输出权重的计算方法如下:
DST-FWELM同时执行目标刀具磨损数据的信息保留和分布距离减少,并以独特的方式重建两个域的数据,得到DST-FWELM目标函数
将矩阵扩展为一致的矩阵,令 将最小化问题重写为
显然,该最小化问题是一个凸二次最小化问题,其最优值等于固定点,即
β*+HTΔHβ*-HTΔX′+λHTMHβ*=0 (9)
求得输出权重β*为
当L>nS+nT时,
当L≤nS+nT时,
β*=(IL+HT(Δ+λM)H)-1HTΔX′ (11)
具体地,步骤五中利用条件MMD计算输出权重的方法为:
在前面提到的DST-FWELM模型中,考虑了边际分布距离,但没有涉及条件分布。实际上,仅减小域之间的边界距离的算法可能无法很好地执行,因为未利用源数据的标签信息。为了充分利用可用数据集,还应将源类标签知识转移到目标域以改善数据重构。
为此,在上述的公式中添加了条件MMD,其中目标样本的初始伪标记是从FWELM分类器中获取的,该FWELM分类器从原源数据或使用边际MMD度量重建的源样本中训练而来。我们将条件MMD的平方表示为定义为
将其转换为矩阵形式为
式中为第k类的MMD条件矩阵
将有条件的MMD合并到DST-FWELM中,得到如下式子
当L>nS+nT时,
当L>nS+nT时,
在步骤六中,计算重构后的刀具磨损源域数据S′及目标域数据T′。
在步骤七中,利用重构的源域数据训练自适应FWELM分类模型。
具体地,步骤七中FW的结构定义为:
Ri:若x1为x2为/>…、xn为/>则ym为/>
式中的值取决于n的奇偶性,
当n为偶数时,
当n为奇数时,
每个模糊规则的线性系数的数量为其中/>表示大于或等于n的最小整数,FW的隶属函数部分的计算公式为
式中c为中心位置,a控制x=c处交叉点的斜率。
具体地,步骤七中FWELM的分类模型为:
对于N个不同的训练数据(xi,ti),其中xi=[xi1,...,xin]T,ti=[ti1,...,tim]T,L为模糊规则数,则包含参数(βi,ci,ai)的FW模型为
式中qiFW(i=1,...,L)为
基于n的奇偶性,FWELM中的小波函数为
当n为偶数时,
当n为奇数时,
根据上述式子得到,FW模型为
将其改写为矩阵形式
HQ=T (27)
式中H为模糊小波模型的参数矩阵
Q为线性参数矩阵
具体地,步骤七中FWELM的算法步骤为:
对于N个不同的训练数据(xi,ti),其中xi=[xi1,...,xin]T,ti=[ti1,...,tim]T,L为模糊规则数。
(1)随机设置隶属函数及小波函数的参数(ci=[ci1,…,cin]T,ai=[ai1,...,ain]T,bi=[bi1,...,bin]T,di=[di1,...,din]T,i=1,…,L);
(2)计算H矩阵;
(3)根据HQ=T,得Q=H+T,式中H+为H的广义逆矩阵。
在步骤八中,利用自适应FWELM分类模型更新目标伪标签及及条件矩阵Mk。
在步骤九中,达到最大迭代次数后,利用最终的自适应FWELM分类模型对刀具磨损状态进行预测。
上述说明示出并描述了本发明的实施方法,如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,包括以下步骤:
步骤一:构建基于异构域自适应迁移学习的刀具磨损状态识别***;
步骤二:根据几种刀具的不同磨损曲线获取源域数据S及一个目标域数据T,并对数据进行特征提取及特征降维;
步骤三:构建MMD矩阵M,并初始化参数及最大迭代次数;
步骤四:初始化FWELM随机输入权重并计算其隐含层输出矩阵H;
步骤五:利用DST-FWELM计算重构输出权重;
步骤六:计算重构后的刀具磨损源域数据S′及目标域数据T′;
步骤七:利用重构的源域数据训练自适应FWELM分类模型;
步骤八:利用自适应FWELM分类模型更新目标伪标签及及条件矩阵Mk;以及
步骤九:达到最大迭代次数后,利用最终的自适应FWELM分类模型对刀具磨损状态进行预测。
2.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,在所述步骤二中,利用线性回归的方法选择数据的特征中表现显著的特征,并将其他表现不显著的特征剔除。
3.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,在所述步骤三中,需要初始化的参数包括FWELM中的隶属函数系数、小波函数系数以及MMD中的比例系数。
4.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,在所述步骤五中,重构输出权重用于将源域数据与目标域数据转换到同一个特征空间。
5.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,在所述步骤七中,直接将重构的源域数据输入到自适应FWELM分类器中,自适应FWELM分类器重新初始化分类器内部的输入权重及阈值。
6.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,在所述步骤八中,将重构的目标域数据输入到训练后的自适应FWELM分类器中,得到对应于目标域的伪标签,并利用伪标签更新条件矩阵。
7.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,所述刀具磨损状态识别***包括刀具状态源域数据采集对象、刀具状态目标域数据采集对象、数据处理模型和DST-FWELM模型。
8.根据权利要求2所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,所述特征降维包括:
提取源域数据与目标域数据中的统计特征、频域特征及时频域特征;
将刀具磨损的不同样本作为自变量,将每个样本对应的特征作为不同的自变量类型,将刀具磨损值作为目标值,进行线性回归;
利用线性回归得到的每个变量系数及系数的显著性水平p值;以及
将p值小于0.05的系数及对应的特征保留,将其他的特征剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016625.7A CN112801139B (zh) | 2021-01-06 | 2021-01-06 | 基于异构域自适应迁移学习的刀具磨损状态智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016625.7A CN112801139B (zh) | 2021-01-06 | 2021-01-06 | 基于异构域自适应迁移学习的刀具磨损状态智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801139A CN112801139A (zh) | 2021-05-14 |
CN112801139B true CN112801139B (zh) | 2024-04-26 |
Family
ID=75808751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110016625.7A Active CN112801139B (zh) | 2021-01-06 | 2021-01-06 | 基于异构域自适应迁移学习的刀具磨损状态智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801139B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113752089B (zh) * | 2021-10-19 | 2023-05-30 | 山东农业大学 | 一种基于奇异性李氏指数的刀具状态监测方法 |
CN116360342A (zh) * | 2023-02-13 | 2023-06-30 | 广东工业大学 | 一种机床热误差预测建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015105471A (ja) * | 2013-11-28 | 2015-06-08 | 国立研究開発法人産業技術総合研究所 | 坑井掘削用pdcカッターおよび坑井掘削用pdcビット |
CN110348579A (zh) * | 2019-05-28 | 2019-10-18 | 北京理工大学 | 一种领域自适应迁移特征方法及*** |
CN111639461A (zh) * | 2020-05-26 | 2020-09-08 | 浙江大学 | 针对工业不均衡数据的刀具磨损状态检测方法 |
-
2021
- 2021-01-06 CN CN202110016625.7A patent/CN112801139B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015105471A (ja) * | 2013-11-28 | 2015-06-08 | 国立研究開発法人産業技術総合研究所 | 坑井掘削用pdcカッターおよび坑井掘削用pdcビット |
CN110348579A (zh) * | 2019-05-28 | 2019-10-18 | 北京理工大学 | 一种领域自适应迁移特征方法及*** |
CN111639461A (zh) * | 2020-05-26 | 2020-09-08 | 浙江大学 | 针对工业不均衡数据的刀具磨损状态检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112801139A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marei et al. | Transfer learning enabled convolutional neural networks for estimating health state of cutting tools | |
Dun et al. | A chatter detection method in milling of thin-walled TC4 alloy workpiece based on auto-encoding and hybrid clustering | |
Shi et al. | Tool wear prediction via multidimensional stacked sparse autoencoders with feature fusion | |
CN110070145B (zh) | 基于增量聚类的lstm轮毂单品能耗预测 | |
CN112801139B (zh) | 基于异构域自适应迁移学习的刀具磨损状态智能识别方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111633467B (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
Wang et al. | A new multitask learning method for tool wear condition and part surface quality prediction | |
CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
Wang et al. | A sequence-to-sequence model with attention and monotonicity loss for tool wear monitoring and prediction | |
Niu et al. | Remaining useful life prediction of machining tools by 1D-CNN LSTM network | |
CN112518425B (zh) | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
CN113798920A (zh) | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 | |
CN113601261B (zh) | 一种面向刀具的在线快速优化模型的监测方法 | |
CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
Shaban et al. | Cutting tool wear detection using multiclass logical analysis of data | |
Hou et al. | A novel rolling bearing fault diagnosis method based on adaptive feature selection and clustering | |
CN111832432A (zh) | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 | |
Chaowen et al. | Research on tool wear monitoring based on GRU-CNN | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
CN113627544A (zh) | 一种基于多源异构数据融合的机床铣刀状态识别方法 | |
Zegarra et al. | Comparison of CNN and CNN-LSTM architectures for tool wear estimation | |
CN116533063A (zh) | 一种数控车床刀具剩余寿命在线预测方法 | |
CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |