[发明专利]一种基于对抗迁移学习的刀具剩余寿命预测方法

说明书

本发明公开了一种基于对抗迁移学习的刀具剩余寿命预测方法，包括：采集不同类型刀具切削加工过程的数据，确定历史类刀具样本以及新类刀具样本；利用历史类刀具样本的数据，构建历史类的特征提取模型以及非线性回归模型；将历史类刀具样本的数据与新类刀具样本的数据进行对抗域适应，构建新类的特征提取模型；利用S13构建的新类的特征提取模型对新类刀具样本进行时间序列信号的分析和提取，并将历史类的非线性回归模型迁移至新类刀具，实现新类刀具的剩余寿命预测。本发明的基于对抗迁移学习的刀具剩余寿命预测方法，实现了新工艺条件下预测模型的快速构建，降低了对新类刀具样本量的要求，提高了刀具寿命预测准确度，具有较强的适用性。

技术领域

本发明涉及机械加工技术领域，特别涉及一种基于对抗迁移学习的刀具剩余寿命预测方法。

背景技术

随着信息化技术和人工智能的快速发展，车间数字化和智能化程度越来越高，刀具作为机械加工系统的重要组成部分，同时也是切削加工过程的直接执行者，是最容易发生磨损和故障的部件，其加工寿命对于保证加工质量、提高生产效率、实现自动化和智能化生产具有重要意义，因此对刀具寿命的准确预测尤为重要。

目前关于刀具剩余寿命的预测方法主要分为三类，一类是基于经验模型的方法，如 Taylor公式及其扩展方程；一类是基于数值仿真分析的方法，如有限元分析模型；还有一类是基于机器学习的方法，是目前应用最为广泛的方法，其主要包括浅层机器学习方法和深度学习方法两种，浅层模型如支持向量回归，隐马尔可夫模型等，深度模型如自编码器，循环神经网络等。

上述方法虽然取得了一定的效果，但是在实际工程应用中仍然存在以下缺陷和不足： (1)模型的建立依赖大量标注的样本数据，而实际数据的获取困难，尤其当企业采用新材料、新工艺、新类型刀具时，新条件下的样本数据量更少；(2)实际生产过程中工况复杂，工艺条件多变，不同工艺条件下的刀具性能衰退差异大，模型适用性差；(3)新工艺条件下，样本数据量少，基于历史数据建立的模型失效，而重新建立新的有效模型则缺乏足够的有标签样本，导致刀具寿命预测困难。

发明内容

本发明针对上述现有技术中存在的问题，提出一种基于对抗迁移学习的刀具剩余寿命预测方法，实现了新工艺条件下预测模型的快速构建，降低了对新类刀具样本量的要求，提高了刀具寿命预测准确度，具有较强的适用性。

为解决上述技术问题，本发明是通过如下技术方案实现的：

本发明提供一种基于对抗迁移学习的刀具剩余寿命预测方法，其包括：

S11：采集不同类型刀具切削加工过程的数据，确定历史类刀具样本以及新类刀具样本；

S12：利用所述历史类刀具样本的数据，构建历史类的特征提取模型以及非线性回归模型；

S13：将所述历史类刀具样本的数据与新类刀具样本的数据进行对抗域适应，构建新类的特征提取模型；

S14：利用所述S13构建的新类的特征提取模型对新类刀具样本进行时间序列信号的分析和提取，并将所述历史类的非线性回归模型迁移至新类刀具，实现新类刀具的剩余寿命预测。

较佳地，所述S12进一步包括：

S121：对所述历史类刀具样本的原始数据进行预处理，构造用于特征提取模型训练的时间序列数据集；

S122：确定特征提取模型以及非线性回归模型的网络结构及优化方式；

S123：初始化网络参数，并利用训练集进行模型参数训练，预测刀具剩余寿命值，基于预测结果计算回归损失：

其中，L_reg为回归损失，Y_s为刀具剩余寿命理论值，Y_s′为刀具剩余寿命预测值，E(·)表示期望；