[发明专利]基于改进图卷积网络的机床刀尖动力学特征预测方法

权利要求书

1.一种基于改进图卷积网络的机床刀尖动力学特征预测方法，其特征在于，包括如下步骤：

S1.选取样本数据，获取静止状态下机床不同位置下的刀尖点频响函数以及切削过程中的颤振频率和轴向极限切深，求解切削状态下的位置-速度相关刀尖点主模态参数，获得样本数据标签；

S2.将有标签的样本数据和无标签的待测数据转换为图结构数据输入到图卷积网络中，得到任意位置-速度下的刀尖点主模态参数；所述图卷积网络在图卷积层的基础上通过增加转置图卷积层得到，所述转置图卷积层用于实现对图卷积层所编码输出的节点特征进行解码，重构损失函数。

2.根据权利要求1所述的一种基于改进图卷积网络的机床刀尖动力学特征预测方法，其特征在于，采用以下方式进行图结构数据转换：

将有标签的样本数据和无标签的待测数据作为图节点；

对固定的图节点v_i，遍历其他所有图节点，获取与其最近的k近邻，构建图节点之间的边；

求解图结构数据的边权重，即图的邻接矩阵A_ij；

图节点的特征、边和边权重即构成图结构数据。

3.根据权利要求1所述的一种基于改进图卷积网络的机床刀尖动力学特征预测方法，其特征在于，任意位置-速度下的刀尖点主模态参数的获取具体包括训练过程和预测过程：

训练过程

图结构数据首先经过图卷积层进行编码，将编码后的节点特征输入到转置图卷积层中，获得解码后的节点特征；

分别对编码后的有标签节点求解有监督损失、对解码后的所有节点求解无监督损失，联合正则化项构建损失函数对图卷积网络进行训练，直至收敛；

预测过程

利用训练好的图卷积网络对无标签节点进行预测，得到任意位置-速度下的刀尖点主模态参数。

4.根据权利要求3所述的一种基于改进图卷积网络的机床刀尖动力学特征预测方法，其特征在于，所述训练过程具体包括：

图结构数据首先经过两层图卷积层进行编码，第l层的图卷积变换用下式构建：

其中，图卷积网络第l层的输入为H^l，第l+1层的输出为H^l+1；表示归一化后的邻接矩阵A_ij，为一个对角矩阵并且W^l代表图卷积网络第l层的训练权重矩阵；σ()表示激活函数；

对经过编码后的有标签节点求解损失，作为有监督损失L_sup，并采用下式构建：

其中，X为特征，为节点预测值，Y_i为实际标签，θ代表所有的模型训练参数，m为有标签节点数；

将编码后的节点特征输入到两层转置图卷积层中，获得解码后的节点特征，第l层的转置图卷积变换可用下式构建：

其中，(W^T)^l为转置图卷积网络的训练权重矩阵，pooling()表示池化操作；

对解码后的节点特征求解损失，作为无监督L_reg，并采用下式构建：

其中，表示解码后的节点特征，X表示节点的原始特征，n为图结构数据的节点数；

基于改进后的损失函数进行迭代训练，直至模型收敛；改进后的损失函数用L表示，包含有监督损失、无监督损失以及L₂正则化项，并采用下式构建：

L＝L_sup+αL_reg+βL₂

其中，α为无监督损失的权重系数，β为L₂正则化项的权重衰减系数。

5.根据权利要求2所述的一种基于改进图卷积网络的机床刀尖动力学特征预测方法，其特征在于，所述k近邻的模型为：

其中，v_i，v_j为图节点，x_1i，x_2i，x_3i代表机床的(x，y，z)坐标，s_i代表主轴转速，{x_1i，x_2i，x_3i，s_i}为特征数据。