[发明专利]迁移学习网络模型、模型训练方法与基于模型的监测系统

权利要求书

1.一种迁移学习网络模型，其特征在于，其为一种对基于跨阶段局部特征融合策略的残差网络模型进行局部调整，以在各种工件的加工条件下均能预测出数控机床中刀具磨损状态的网络模型，所述各加工条件设置有对应的加工条件编码；所述迁移学习网络模型包括：

基于跨阶段局部特征融合策略的残差网络模型；

以及在基于跨阶段局部特征融合策略残差网络模型的局部残差模块与Flatten层之间的：

融合层，用于获取加工条件编码，并对局部残差模块输出的特征融合向量与加工条件编码进行连接，以得到特征连接向量；

第一卷积层，用于对特征连接向量进行卷积计算以获取特征学习连接向量；

批归一化层，用于对特征学习连接向量进行批归一化；

激活层，用于对批归一化后的特征学习连接向量进行非线性运算，以获取特征激活向量；

第二卷积层，用于对特征激活向量进行卷积计算以得到特征重学习向量。

2.根据权利要求1所述的一种迁移学习网络模型，其特征在于，所述基于跨阶段局部特征融合策略的残差网络模型，用于预测数控机床中刀具的磨损状态，其包括：

信号输入层，用于输入刀具监测信号；

卷积层，用于对刀具监测信号进行卷积计算以获取信号特征向量；

批归一化层，用于对信号特征向量进行批归一化；

激活层，用于对批归一化后的信号特征向量进行非线性运算，以获取信号激活特征向量；

残差层，其包括残差块，残差块中设置有左运算通道、右运算通道与合并单元，其中，左运算通道用于对信号激活特征向量进行特征运算以得到残差左特征向量并输出；右运算通道用于对信号激活特征向量进行下采样以得到残差右特征向量并输出；合并单元，用于合并输出的残差左特征向量与残差右特征向量以得到残差特征合并向量；

局部残差模块，其包括至少一个局部残差块，所述局部残差块用于对合并向量进行拆分以得到右特征向量与左特征向量，并通过局部残差块中的右侧梯度运算通道对右特征向量进行残差运算，通过局部残差块中的左侧梯度运算通道对左特征向量进行特征运算，并将残差运算与特征运算后得到的特征向量进行融合以得到特征融合向量；所述合并向量包括残差特征合并向量与特征融合向量。

3.根据权利要求2所述的一种迁移学习网络模型，其特征在于，所述基于跨阶段局部特征融合策略的残差网络模型还包括：

Flatten层，用于展开特征重学习向量；第二批归一化层，用于对展开后的特征重学习向量进行归一化；第二激活层，用于对归一化后的特征重学习向量进行激活；全连接层，用于对激活后特征重学习向量进行非线性变化以得到模型预测的刀具磨损状态。

4.根据权利要求1所述的一种迁移学习网络模型，其特征在于，所述加工条件编码中包括：

加工方法的编码、刀具材质的编码与工件材料的编码。

5.一种用于迁移学习网络模型的训练方法，用于训练如权利要求1至4任意一项所述的迁移学习网络模型，其特征在于，包括步骤：

获取预设工件加工条件下的训练数据集，所述训练数据集中包括带有训练标签的刀具监测信号，所述训练标签为刀具监测信号对应监测时刻的刀具磨损量；

通过训练数据集训练迁移学习网络模型，并在训练前，冻结基于跨阶段局部特征融合策略残差网络模型中的预设网络层，以在训练过程中避免训练被冻结的预设网络层。

6.根据权利要求5所述的一种用于迁移学习网络模型的训练方法，其特征在于，所述预设网络层包括基于跨阶段局部特征融合策略的残差网络模型中依次连接的：信号输入层、卷积层、批归一化层、激活层、残差层与局部残差模块。