一种基于多源域迁移学习的刀具状态智能监测方法

技术领域

本发明属于机械加工状态监测技术领域，具体涉及一种基于多源域迁移学习的刀具状态智能监测方法。

背景技术

刀具磨损是金属切削加工中存在的一种常见问题。对材料的加工使刀具刃口钝化，增加了刀具与工件之间的摩擦，也增加了功率的消耗。若不能及时判断刀具磨损状态，会影响加工质量和加工效率。

得益于深度学习技术的发展，采用深度学习网络对刀具状态进行间接监测成为一种非常有效的方法。厉大维等的“基于长短时记忆网络的深孔镗削刀具状态监测”提出了基于深度长短时记忆网络的镗削刀具状态监测方法，结果表明，深度长短时记忆网络模型对刀具状态有着很好的预测准确度。然而，这些方法需要大量的标签来训练深度学习网络模型(Zhouet al.Deep learning fault diagnosis method based on globaloptimizationGAN for unbalanced data)。在实际的工厂操作过程中，很难在每个加工条件下获得足够的标签，因为刀具磨损需要由专业仪器测量，这既耗时又费力。

迁移学习方法为解决标签问题提供了良好的解决方案，迁移学习可以将给定源域中学习的知识规则应用于类似的新任务，即目标域，并通过目标域中的少量无监督训练对目标域的刀具状态进行监测。但是，通常很难选择合适的源域来适应目标域。更实际的情况是，源域的刀具状态样本数据可以从多个不同加工条件下收集，多源域自适应在性能改进方面更有价值。因此，我们考虑将多源域自适应迁移学习方法用于刀具状态监测方面。然而，平等对待所有源域是不合理的，如果其中一个源域与目标域存在较大的域差异，则会对域适应不利。因此，有必要找到更好的方法来充分利用多个源域。

发明内容

针对上述存在的问题，本发明提供了一种基于多源域迁移学习的刀具状态智能监测方法。使用多个源域的刀具状态样本分别预训练多个源域模型，然后将目标域的刀具状态样本输入到每个源域模型中，以获得信息熵和分类误差，从而获得每个源域和目标域之间的可迁移性。提出了一种基于可迁移性对源域和目标域之间的特征距离和源域上的分类损失进行加权的方法，以更加关注具有高可迁移性的源域。

本发明的技术方案：

一种基于多源域迁移学习的刀具状态智能监测方法，首先使用多个源域的刀具状态样本分别预训练多个源域模型，然后将目标域的刀具状态输入到每个源域模型中，以获得信息熵和分类误差，从而获得每个源域和目标域之间的可迁移性。然后，将来自多个源域和目标域的刀具状态样本同时输入到带有softmax分类器的深度极值学习机模型中，以获得每个源域与目标域之间的特征距离损失以及源域的分类损失。提出了一种基于可迁移性的加权域之间特征的距离损失和源域的分类损失的方法，以更加关注具有较高可迁移性的源域。利用加权的损失反向传播来训练和更新深度极值学习机分类模型。最后，用目标域的刀具状态测试样本去测试分类模型，从而实现对目标域刀具状态的监测；具体步骤如下：

第一步，采集不同加工条件下的刀具状态样本

设计了变切削参数的切削实验，不同切削参数代表不同的加工条件。数据采集系统用于采集刀架的振动信号，其中三向(XYZ)加速度传感器固定在主轴上。截取的每个加工条件下的振动信号作为每个域的刀具状态样本。

第二步，计算每个源域和目标域之间的可迁移性

为了减少不同域的不利影响，我们考虑了域可迁移性，它衡量每个源域和目标域的域相似性。这里，我们引入信息熵和分类误差来计算每个源域和目标域之间的可迁移性。首先，使用来自多个源域的刀具状态样本分别预训练多个深度学习模型作为源域模型，可以得到每个源域模型学习的决策边界。然后，将目标域的刀具状态样本输入到源域模型中，当目标域和源域之间的域相似度很高时，它将获得较小的信息熵和较低的分类误差。

给定K个源域的刀具状态样本

Cl

其中，k是第k个源域，m是目标域样本的数量，c是源域模型的softmax函数输出的维数，p

因此，每个源域和目标域的可迁移性定义如式(4)所示。w

第三步，基于可迁移性计算分类模型的加权损失和分类损失

通过结合获得的域可迁移性，提出加权特征距离损失和分类损失。特征距离损失被定义为源域刀具状态样本Tool

其中，F

通过结合获得的域可迁移性w

其中，

模型的损失函数和模型参数更新过程分别如(10)-(12)所示。

L＝L

其中，α是平衡分类损失和coral损失的权重系数，η是学习率，θ

该模型可以更好、更快地提取不同域的刀具状态样本特征，并将学习到的多源域知识迁移到目标域，实现刀具状态监测。

第四步，验证多源域迁移学习的效果

将目标域中刀具状态测试样本输入到训练好的深度极限学习机模型中进行分类，验证多源域迁移学习在刀具状态监测中的迁移效果。

与现有技术相比，本发明的有益效果：

1.本发明提出的基于可迁移性的多源域迁移学习方法，通过引入信息熵和分类误差来计算目标域和每个源域之间的可迁移性，从而基于可迁移性进行多源域自适应迁移学习，避免了不同域之间的负迁移损害，有效提高了多源域的迁移效果。

2.本发明用于刀具状态监测领域，可有效解决刀具状态标签不足的问题，提高刀具状态监测的准确性。

附图说明

图1为基于多源域迁移学习的刀具状态智能监测方法的流程图。

图2为传感器安装位置示意图。

图3为本发明所采用的多源域迁移学习模型结构图。

图4为Y方向振动信号；a)正常刀具状态下的时域；b)异常刀具状态下的时域；c)正常刀具状态下的频域；d)异常刀具状态下的频域。

图5(a)目标域C5获得的迁移性权重，(b)目标域C6获得的迁移性权重，(c)目标域C5的刀具状态测试样本的分类结果，(d)目标域C6的刀具状态测试样本的分类结果。

图2中：1主轴；2三向加速度传感器；3刀柄；4刀具；5钛合金工件。

具体实施方式

为了使本发明的目的、技术方案和优点更加清晰明了，结合附图1以在三轴立式加工中心上铣削加工钛合金为例，详细说明本发明的实施方式。

本实验采用直径为10mm的快进刀杆和刀片对钛合金工件表面进行铣削加工。设计了6组变切削参数的切削实验，不同切削参数代表不同的加工条件，如表1所示。数据采集系统用于采集刀架的振动信号，其中三向(XYZ)加速度传感器固定在主轴上。截取的每个加工条件下的振动信号作为每个域的刀具状态样本。每个加工条件下采集的刀具状态样本数量在表1中。

表1试验切削参数

刀具状态由日本Keyence VHX-600E超深度显微镜检测，并在铣削约500mm后进行检查。根据国家标准GB/T 16460-2016，侧面磨损带的宽度值，即VB＝0.3mm，是刀具失效的阈值。刀具状态可分为正常(VB<0.3mm)和异常(VB>0.3mm)。每个样本在每个方向上的振动信号的截取数据点为5000，并且三个方向的振动信号被融合在一起。我们使用频域数据作为多源域迁移学习模型的输入数据，并使用刀具条件作为样本的标签。频域数据如图4所示。可以看出，当刀具在异常状态下加工工件时，振幅显著增加，这将严重影响工件的表面质量。因此，有必要监测刀具状况并及时更换刀具。

我们选择C1、C2、C3和C4作为源域，C5和C6作为目标域。深度极限学习机网络节点的数量设置为7503-600-80，激活函数为Sigmoid函数。权重系数α设置为1e5，其设置标准是coral损失产生的梯度接近分类误差产生的梯度。在C1、C2、C3和C4条件下，利用刀具状态样本对多个源域模型进行预训练，然后将目标域的刀具条件样本输入到每个源域模型中，分别获得每个源域和目标域的可迁移性权重。可转移性权重结果如图5(a)所示。

为了验证本文提出的方法的有效性，我们将四个源域的刀具状态样本和目标域的刀具状态训练样本同时输入到用于多源域迁移学习的深度极限学习机模型中进行训练。训练完成后，将目标域的刀具状态测试样本输入到训练的模型中进行测试，结果如图5(b)中的混淆矩阵图所示。可以看出，多源域迁移学习包含了更多信息，显示出较高的分类精度。由多源域C1、C2、C3和C4训练的模型适用于目标域C5和C6，提高了模型的泛化性能。