[发明专利]一种基于深度迁移学习的刀具状态监测方法

说明书

本发明属于加工状态监测领域，一种基于深度迁移学习的刀具状态监测方法。步骤如下：首先，通过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；然后，对数据进行快速傅里叶变换，再采用Adasyn自适应合成采样算法解决数据集的不平衡问题；随后，构建深度置信网络，利用有标签的第一台机床数据训练刀具状态监测模型；最后，利用无标签的第二台机床数据实现模型的微调，首先共享源域模型与目标域模型的结构与权重，再引入多核最大均值差异衡量并缩小源域数据与目标域数据在隐藏层最顶层的距离。本发明所用的基于深度迁移学习的刀具状态监测方法迁移效果良好，省去了数据采集与标签划分的工作，降低了加工状态监测成本。

技术领域

本发明属于加工状态监测领域，具体为一种基于深度迁移学习的刀具状态监测方法。

背景技术

在机械加工领域，为了保证零件的加工质量及表面粗糙度，加工人员需要时刻关注加工过程中刀具的磨损情况。实际生产过程中，加工人员往往通过耳听加工噪声，手摸机床振动等方法判断刀具的磨损状态。如何减小加工过程中对工作人员经验的依赖，实现刀具状态的在线智能监测成为了机械加工领域的关键问题之一。目前的刀具状态监测方法主要分为直接法和间接法两种。通过观察刀具表面情况、几何特征来实现刀具状态监测的直接监测法所需测量设备价格昂贵，监测效果受加工环境影响大，且往往需要停机测量，难以应用于实际生产过程中。基于深度学习方法，建立振动、噪声等加工数据与刀具状态的关系模型，从而实现刀具状态监测的间接监测法成为了刀具状态监测的主要方法。

然而，基于深度学习的刀具状态监测方法必须满足一个条件，即监测模型的训练集与测试集同分布。由于同型号的不同机床加工环境不同、存在装配误差等因素的影响，用于训练模型特定机床的数据(源域数据)与同型号其他机床数据(目标域数据)往往分布不同，导致有特定机床训练得来的监测模型不能直接应用于同类机床上。针对上述问题，国内外研究者提出了基于迁移学习的加工状态监测方法。

Du等人在PHM-2019Qingdao会议上发表论文《A Hybrid Transfer LearningMethod for Fault Diagnosis of Machinery under Variable Operating Conditions》，提出了一种用于轴承故障诊断的混合迁移学习方法，首先采用迁移主成分法提取轴承数据特征，再采用Tr-Adaboost方法提升模型针对源域数据的判别准确率。Postel等人在《TheInternational Journal of Advanced Manufacturing Technology》上发表论文《Ensemble transfer learning for refining stability predictions in millingusing experimental stability states》，利用仿真数据预训练深度神经网络，再用少量实验数据微调网络参数，从而实现铣削过程的稳定性预测。于洋等人在《仪器仪表学报》上发表论文《基于TL-LSTM的轴承故障声发射信号识别研究》，针对多工况下滚动轴承故障声发射信号智能识别问题，提出了一种长短时记忆网络与迁移学习相结合的故障识别新方法。

通过对上述文献分析可知，目前基于迁移学习的刀具状态监测方法存在如下问题：(1)处理加工状态特征数据依赖于人工特征提取，难以发挥深度神经网络的优势，造成数据隐含信息的浪费。(2)大多数方法先采用浅层迁移学习处理数据，在利用深度神经网络训练模型，没有利用源域数据与目标域数据在深层特征空间的相似性，限制了迁移学习模型性能的提升。

发明内容

本发明的目的在于给出一种基于深度迁移学习的刀具状态监测方法，解决现有监测方法迁移性差、推广成本高、难以发挥深度学习优势等问题，基于深度迁移学习方法，结合有标签的源域数据，实现了目标域数据的无监督训练。

本发明的技术方案：