[发明专利]一种基于深度迁移学习的刀具状态监测方法

权利要求书

1.一种基于深度迁移学习的刀具状态监测方法，其特征在于，步骤如下：

第一步，加工状态数据的采集

采用两个三相加速度传感器和一个传声器采集加工过程中的振动信号与噪声信号，三相加速度传感器采得的加速度信号和声信号被送入数据采集卡中，经模数转换后存入计算机；

采集两台机床的加工状态数据，将其中一台机床的数据作为源域数据，用于建立加工状态监测模型；另一台机床的数据作为目标域数据，用于加工状态监测模型的迁移；

采样频率为5000Hz，将1000个采样点划分为一个样本，则每个加工状态样本为7×1000的数组；根据刀具状态将数据划分为正常、断刀两种；

第二步，加工状态数据的预处理

对划分后的数据进行快速傅里叶变换，将维度为7×1000的时域数据转换为7×501的频域数据；由于高频区域数据幅值很小，对于网络训练几乎没有影响，将高于300Hz的数据剔除；

经过数据处理后，断刀数据样本数量远远少于正常数据样本数量，为了消除数据不平衡对模型准确率的影响，采用Adasyn自适应合成算法对少数数据进行合成；

第三步，基于DBN的加工状态监测模型的建立

DBN由多层受限玻尔兹曼机RBM堆叠而成；RBM由n个可见单元v和m个隐藏单元h构成，其中v和h都是二进制形式的变量；对于一组(v，h)，表示其可见单元与隐藏单元间联合概率分布的能量函数定义为：

其中，θ＝(w，a，b)是RBM模型的参数；v_i和h_j表示可见神经元与隐藏神经元的二进制状态；a_i和b_j表示可见神经元与隐藏神经元的偏置；w_ij表示第i个可见神经元与第j个隐藏神经元之间的连接权重；

DBN网络的训练步骤为：(1)首先对多层RBM进行贪婪逐层训练，即以第一台机床的数据作为输入向量完成第一层RBM的训练；随后固定第一层RBM的权重与偏执，将第一层RBM的隐藏层状态作为输入向量训练第二层RBM，以此类推，直到隐藏层数量达到网络要求；(2)将训练好的RBM堆叠起来，并在网络顶端连接一个BP层，利用有标签的数据对网络进行微调，损失函数采用交叉熵来表示；

第四步，基于深度迁移学习的加工状态监测模型的迁移

首先，进行模型的迁移，将训练好的针对源域数据的DBN模型复制生成针对目标域的监测模型，新模型的网络结构、各层神经元的权重与偏置均与原模型相同；

将源域数据与目标域数据分别输入刀具状态监测模型，得到源域数据与目标域数据在模型最顶层隐藏层的特征向量，计算两者的MK-MMD，用以表示源域数据与目标域数据的分布距离；给定概率分布p和q，则p和q之间的MK-MMD表示为：

其中，H表示再生核希尔伯特空间；φ(·)：X→H表示原始特征空间到RKHS的非线性特征映射函数；x^[s]和x^[t]分别表示源域数据与目标域数据；E_～p表示非线性特征映射函数的期望；假设存在核k{x^[s]，x^[t]}＝{φ(x^[s])，φ(x^[t])}，特征核k表示为：

其中，k_u表示单个特征核，β_u表示单个特征核的权重，m表示单个特征核的数量；

构造迁移学习损失函数，利用梯度下降法使损失函数最小化，从而缩小源域数据与目标域数据的分布距离；损失函数表达式为：

式中，θ(x^[s])表示DBN中x^[s]对应于标签y^[s]的条件概率；J(·)表示源域数据的交叉熵分类损失函数；D_s，D_t分别表示源域与目标域在隐藏层的特征向量；表示MK-MMD；λ表示惩罚系数；n_s表示源域数据的样本数。