CN112192318A - 机加工刀具状态监控方法和系统 - Google Patents

Abstract

本发明公开了一种机加工刀具状态监测方法和系统，该方法包括：在机加工系统参数发生变化后，实时采集少量当前数据并将采集的数据存入目标域数据集；计算目标域数据集与源域数据集之间各特征参数的分布差异；判断目标域数据集与源域数据集之间各特征参数的分布差异是否均小于所述特征参数的分布差异阈值；如果是，则通过迁移学习得到目标域迁移模型，并将目标域迁移模型作为当前监测模型；否则，继续采集当前数据并将采集的数据存入目标域数据集，并在目标域数据集的数据量达到设定要求后，利用目标域数据集中的数据训练得到当前监测模型；利用当前监测模型对刀具状态进行在线监测。利用本发明，可以快速、高效地提升监控系统的适应性。

Description

机加工刀具状态监控方法和系统

技术领域

本发明涉及机加工刀具领域，具体涉及一种机加工刀具状态监控方法和系统。

背景技术

刀具是机械制造中用于切削加工的工具，又称切削工具。刀具状态是影响零部件精密切削加工质量与效率的关键因素，准确可靠的刀具状态在线监测系统可以为用户节省大量的物料和人力成本。为了保证高度自动化加工系统能持续、高效地进行正常生产，避免因切削刀具的磨损、破损等因素造成加工零件的精度下降，甚至损害机床设备，需要在加工过程中对刀具状态进行有效监控。

在现有技术中，机加工刀具状态监控系统的通常采用离线训练的监测模型对刀具状态进行监测，为保证监测模型性能，需要收集足够数量的训练数据。但在机加工刀具的应用场景中，不同机台的物理状态，或刀具的类型、尺寸、刃数，工件材质，加工工艺等系统变量不尽相同，而且经常会发生变化。而当应用场景中系统参数发生变化时，训练数据的分布也会随之发生变化，已有监测模型无法满足要求，此时需要收集新场景下的数据重新训练监测模型。但重新收集足够的新数据不但意味着监控系统在此期间无法使用，而且用户在正常的生产活动外，还需要额外的人力来配合数据标签的记录和检查等工作。可见，这种方式对用户来说增加了使用系统的负担，降低了刀具状态监控系统适配的灵活性。

发明内容

本发明实施例提供一种机加工刀具状态监控方法和系统，以在应用场景发生变化后，减少模型重训练对新场景下带标签训练数据数量的依赖性，快速、高效地得到与变化后的场景相适配的模型，提升监控系统的适应性。

为此，本发明提供如下技术方案：

一种机加工刀具状态监测方法，所述方法包括：

在机加工系统参数发生变化后，实时采集少量当前数据并将采集的数据存入目标域数据集；

计算所述目标域数据集与源域数据集之间各特征参数的分布差异；所述源域数据集包括所述机加工系统参数发生变化前采集的数据；

判断所述目标域数据集与源域数据集之间各特征参数的分布差异是否均小于所述特征参数的分布差异阈值；

如果是，则通过迁移学习得到目标域迁移模型，并将所述目标域迁移模型作为当前监测模型；

否则，继续采集当前数据并将采集的数据存入目标域数据集，并在所述目标域数据集的数据量达到设定要求后，利用所述目标域数据集中的数据训练得到当前监测模型；

利用所述当前监测模型对刀具状态进行在线监测。

可选地，所述方法还包括：确定各特征参数的重要度；

在继续采集当前数据并将采集的数据存入目标域数据集之前，确定所有分布差异大于等于对应的分布差异阈值的特征参数的重要度；

如果所有特征参数的重要度均为低，则从所述目标域数据集与源域数据集中删除所述特征参数，然后通过迁移学习得到目标域迁移模型，并将所述目标域迁移模型作为当前监测模型；

否则，执行继续采集当前数据并将采集的数据存入目标域数据集的步骤。

可选地，所述计算所述目标域数据集与源域数据集之间各特征参数的分布差异包括：

通过JS散度、或者KL散度、或者Wasserstein距离计算所述目标域数据集与源域数据集之间各特征参数的分布差异。

可选地，所述方法还包括按照以下方式确定各特征参数的分布差异阈值：

对所述源域数据集进行多次采样划分为两组样本；

计算每次划分的两组样本之间各特征参数的Wasserstein距离值，并对多次计算得到的特征参数的Wasserstein距离值取均值，得到所述特征参数的域内分布差异均值；

根据所述特征参数的域内分布差异均值确定所述特征参数的分布差异阈值。

可选地，所述通过迁移学习得到目标域迁移模型包括以下任意一种或多种：

采用基于实例的迁移学习，对源域数据集中与目标域数据集中的相似样本通过权重调整进行重用，训练得到目标域迁移模型；

采用基于特征的迁移学习，将基于源域数据学习到的特征表示传递到目标域，训练得到目标域迁移模型；

采用基于关系的迁移学习，将源域数据集对应的监测模型训练中学习到的数据间的逻辑关系应用到目标域迁移模型训练中，得到目标域迁移模型；

采用基于模型的迁移学习，利用目标域数据集对源域数据集对应的预测模型参数进行微调，得到目标域迁移模型。

一种机加工刀具状态监测系统，所述系统包括：数据采集模块、分布差异计算模块、分布差异判断模块、迁移学习模块、训练模块、监测模块；

所述数据采集模块，用于在机加工系统参数发生变化后，实时采集少量当前数据并将采集的数据存入目标域数据集；

所述分布差异计算模块，用于计算所述目标域数据集与源域数据集之间各特征参数的分布差异；所述源域数据集包括所述机加工系统参数发生变化前采集的数据；

所述分布差异判断模块，用于判断所述目标域数据集与源域数据集之间各特征参数的分布差异是否均小于所述特征参数的分布差异阈值；如果是，则触发所述迁移学习模块通过迁移学习得到目标域迁移模型，并将所述目标域迁移模型作为当前监测模型；否则，触发所述训练模块利用所述目标域数据集中的数据训练得到当前监测模型；

所述训练模块，用于在所述目标域数据集的数据量达到设定要求后，利用所述目标域数据集中的数据训练得到当前监测模型；

所述监测模块，用于利用所述迁移学习模块或所述训练模块输出的当前监测模型对刀具状态进行在线监测。

可选地，所述系统还包括：设置模块、重要度判断模块、参数调整模块；

所述设置模块，用于确定各特征参数的重要度；

所述重要度判断模块，用于在所述分布差异判断模块确定所述目标域数据集与源域数据集之间各特征参数的分布差异不是均小于所述特征参数的分布差异阈值后，确定所有分布差异大于等于对应的分布差异阈值的特征参数的重要度；如果其中所有特征参数的重要度都为低，则先触发所述参数调整模块从所述目标域数据集与源域数据集中删除所述特征参数，然后再触发所述迁移学习模块通过迁移学习得到目标域迁移模型；否则，触发所述训练模块利用所述目标域数据集中的数据训练得到当前监测模型。

可选地，所述分布差异计算模块，具体用于通过JS散度、或者KL散度、或者Wasserstein距离计算所述目标域数据集与源域数据集之间各特征参数的分布差异。

可选地，所述系统还包括：分布差异阈值确定模块，用于确定各特征参数的分布差异阈值；所述分布差异阈值确定模块包括：

样本划分单元，用于对所述源域数据集进行多次采样划分为两组样本；

计算单元，用于计算每次划分的两组样本之间各特征参数的Wasserstein距离值，并对多次计算得到的特征参数的Wasserstein距离值取均值，得到所述特征参数的域内分布差异均值；

阈值确定单元，用于根据所述特征参数的域内分布差异均值确定所述特征参数的分布差异阈值。

可选地，所述迁移学习模块包括以下任意一个或多个单元：

第一学习单元，用于采用基于实例的迁移学习，对源域数据集中与目标域数据集中的相似样本通过权重调整进行重用，训练得到目标域迁移模型；

第二学习单元，用于采用基于特征的迁移学习，将基于源域数据学习到的特征表示传递到目标域，训练得到目标域迁移模型；

第三学习单元，用于采用基于关系的迁移学习，将源域数据集对应的监测模型训练中学习到的数据间的逻辑关系应用到目标域迁移模型训练中，得到目标域迁移模型；

第四学习单元，采用基于模型的迁移学习，利用目标域数据集对源域数据集对应的预测模型参数进行微调，得到目标域迁移模型。

一种电子设备，包括：一个或多个处理器、存储器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面所述的方法。

一种可读存储介质，其上存储有指令，所述指令被执行以实现前面所述的方法。

本发明实施例提供的机加工刀具状态监控方法和系统，将迁移学习方法应用在机加工刀具状态监控系统中，充分利用应用场景发生变化前已累积的已累积的源域数据及监测模型，提取可利用信息，从而结合尽可能少的新样本数据(目标域数据)，即可快速、高效地得到与变化后的场景相适配的模型，大大减少了应用场景发生变化后新样本数据的标注和模型的训练时间和效率，提升了监控系统的适应性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本发明实施例机加工刀具状态监测方法的一种流程图；

图2是本发明实施例机加工刀具状态监测方法的另一种流程图；

图3是本发明实施例中监测模型采用全连接神经网络模型的结构示例；

图4是本发明实施例机加工刀具状态监测系统的一种结构框图；

图5是本发明实施例机加工刀具状态监测系统的另一种结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

本发明实施例提供一种机加工刀具状态监测方法及系统，将迁移学习方法应用在机加工刀具状态监控系统中，充分利用应用场景发生变化前已累积的已累积的源域数据及监测模型，提取可利用信息，从而结合尽可能少的新样本数据(目标域数据)，即可快速、高效地得到与变化后的场景相适配的模型。

如图1所示，是本发明实施例机加工刀具状态监测方法的一种流程图，包括以下步骤：

步骤101，在机加工系统参数发生变化后，实时采集少量当前数据并将采集的数据存入目标域数据集。

在本发明实施例中，数据的来源包括控制器和各类传感器。

步骤102，计算所述目标域数据集与源域数据集之间各特征参数的分布差异；所述源域数据集包括所述机加工系统参数发生变化前采集的数据。

源域数据集是指机台，刀具的类型、尺寸、刃数，工件材质，加工工艺等系统参数中的一个或多个发生变化之前，累积采集的历史数据，通常数量较大。目标域数据集是指上述系统变量中的一个或多个发生变化后采集的数据。

需要说明的是，所述源域数据集和目标域数据集中可以只保留与刀具实际状态相关性较强的特征参数。当然，也可以保存机加工系统采集到的所有参数，在这种情况下，通常对于源域数据集和目标域数据集中的数据，还需要进行以下处理：不同来源数据时间戳对齐、缺失值处理、异常值处理等；然后从中选出与刀具实际状态相关性较强的特征参数，将选出的特征参数与该条数据对应的刀具物理状态(健康、磨损、失效等)组成数据对。每一个数据对即为一个数据样本。

在本发明实施例中，所述目标域数据集与源域数据集之间各特征参数的分布差异可以通过JS散度、或者KL散度、或者Wasserstein距离计算得到。

Wasserstein距离可以理解为从分布P到分布Q的“最优分布路径”距离度量。Wasserstein距离值越小，两者的分布差异越小。Wasserstein距离的计算如下：对于每一个可能的联合分布，从中采样得到联合分布样本，并计算此联合分布下距离的期望值，并在所有可能分布下对期望值取到下界。

比如，以Wasserstein距离为度量指标，计算所述目标域数据集中各特征参数与所述源域数据集中相应特征参数的Wasserstein距离，并将计算得到的Wasserstein距离值作为对应所述特征参数的分布差异。

步骤103，判断所述目标域数据集与源域数据集之间各特征参数的分布差异是否均小于所述特征参数的分布差异阈值；如果是，则执行步骤104；否则，执行步骤105。

需要说明的是，对应不同的特征参数，与其对应的分布差异阈值可以不同。分布差异阈值可以通过域内样本分布差异统计得到，所述分布差异阈值具体可以按照以下方式来确定：

(1)对所述源域数据集进行多次采样划分为两组样本；

(2)计算每次划分的两组样本之间各特征参数的Wasserstein距离值，并对多次计算得到的特征参数的Wasserstein距离值取均值，得到所述特征参数的域内分布差异均值；

(3)根据所述特征参数的域内分布差异均值确定所述特征参数的分布差异阈值。比如，可以将所述分布差异均值的5％作为相应的分布差异阈值。当然，也可以将所述特征参数的域内分布差异均值作为相应的阈值。

步骤104，通过迁移学习得到目标域迁移模型，并将所述目标域迁移模型作为当前监测模型。然后执行步骤108。

迁移学习的基本假设是：源域数据与目标域数据分布有一定的差异，同时也具有相似性，即源域数据集和目标域数据集中存在分布具有一定差异的特征参数，同时又具有分布差异较小的特征参数。如果源域数据集和目标域数据集中所有类型特征均有较大的分布差异，则迁移学习的基本假设不满足，无法保证从源域样本中获得的知识有利于解决目标域的任务，此时需要放弃迁移学习策略，回退到传统的模型重训练策略：即继续收集足够多的目标域数据并且只使用目标域数据进行重训练。

为此，在本发明的一种实施例中，在所述目标域数据集与源域数据集之间各特征参数的分布差异均小于所述特征参数的分布差异阈值的情况下，才会进行迁移学习得到目标域迁移模型。

当然，如果对应某个特征参数的分布差异大于所述分布差异阈值，也可以将源域数据集和目标域数据集中的该特征参数剔除，从而保证后续得到的目标域迁移模型的性能，进而保证预测结果的准确性。

通过迁移学习得到目标域迁移模型具体可以采用以下任意一种或多种方式：

(1)采用基于实例的迁移学习，对源域数据集中与目标域数据集中的相似样本通过权重调整进行重用，训练得到目标域迁移模型；

(2)采用基于特征的迁移学习，将基于源域数据学习到的特征表示传递到目标域，训练得到目标域迁移模型；

(3)采用基于关系的迁移学习，将源域数据集对应的监测模型训练中学习到的数据间的逻辑关系应用到目标域迁移模型训练中，得到目标域迁移模型；

(4)采用基于模型的迁移学习，利用目标域数据集对源域数据集对应的预测模型参数进行微调，得到目标域迁移模型。

需要说明的是，在实际应用中，可以根据源域数据集对应的监测模型的具体结构、复杂度、计算量、应用场景需求等综合考虑，选用相适应的迁移学习方式，对此本发明实施例不做限定。

步骤105，判断所述目标域数据集的数据量是否达到设定要求；如果是，否则执行步骤106；否则执行步骤107。

在不满足上述条件的情况下，需要使用目标域数据进行重训练得到与当前机加工系统参数相适应的监测模型。所述监测模型可以是机器学习、深度学习模型等，对此本发明实施例不做限定。

步骤106，利用所述目标域数据集中的数据训练得到当前监测模型。然后执行步骤108。

步骤107，继续采集当前数据并将采集的数据存入目标域数据集；然后返回步骤102。

步骤108，利用所述当前监测模型对刀具状态进行在线监测。

本发明实施例的方案可以应用于机加工刀具状态监测系统中，比如，可以进行刀具失效监测、刀具失效预警、刀具寿命预测等。

在图1所示实施例中提到，如果对应某个特征参数的分布差异大于所述分布差异阈值，则可以将源域数据集和目标域数据集中的该特征参数剔除，然后进行迁移学习。考虑到不同特征参数对刀具状态的影响作用会有差异，也就是说，有些特征参数与刀具状态的相关性较大，而有些特征参数与刀具状态的相关性较小。如果删除这些相关性较大的特征参数，势必会影响到监测模型的性能。为此，在本发明方法另一实施例中，还可以针对这种情况进行有效判断，进而保证迁移学习得到的监测模型的性能。

如图2所示，是本发明实施例机加工刀具状态监测方法的另一种流程图，包括以下步骤：

步骤201，在机加工系统参数发生变化后，实时采集少量当前数据并将采集的数据存入目标域数据集。

步骤202，计算所述目标域数据集与源域数据集之间各特征参数的分布差异；所述源域数据集包括所述机加工系统参数发生变化前采集的数据。

步骤203，判断所述目标域数据集与源域数据集之间各特征参数的分布差异是否均小于所述特征参数的分布差异阈值；如果是，则执行步骤204；否则，执行步骤205。

步骤204，通过迁移学习得到目标域迁移模型，并将所述目标域迁移模型作为当前监测模型。然后执行步骤211。

步骤205，确定所有分布差异大于等于对应的分布差异阈值的特征参数的重要度。

步骤206，判断所有分布差异大于等于对应的分布差异阈值的特征参数的重要度是否均为低；如果是，则执行步骤207；否则，执行步骤208。

步骤207，从所述目标域数据集与源域数据集中删除所述特征参数，然后执行步骤204。

步骤208，判断所述目标域数据集的数据量是否达到设定要求；如果是，则执行步骤209；否则执行步骤210。

在不满足上述条件的情况下，需要使用目标域数据进行重训练得到与当前机加工系统参数相适应的监测模型。所述监测模型可以是机器学习、深度学习模型等，对此本发明实施例不做限定。

步骤209，利用所述目标域数据集中的数据训练得到当前监测模型。然后执行步骤211。

步骤210，继续采集当前数据并将采集的数据存入目标域数据集；然后返回步骤202。

步骤211，利用所述当前监测模型对刀具状态进行在线监测。

可见，与图1所示实施例的区别在于，在该实施例中，如果源域数据集和目标域数据集中存在部分分布差异较大的特征参数，进一步使用特征重要度的判断标准：如果相应特征参数的重要度低，则对分布差异较大的特征参数做剔除处理；如重相应特征参数的要度高，则放弃迁移学习策略，回退到传统的模型重训练策略。

需要说明的是，各特征参数对刀具状态影响的重要度可以通过相应的评估模型或行业知识来确定，对此本发明不做限定。

本发明实施例提供的机加工刀具状态监控方法，将迁移学习方法应用在机加工刀具状态监控系统中，充分利用应用场景发生变化前已累积的已累积的源域数据及监测模型，提取可利用信息，从而结合尽可能少的新样本数据(目标域数据)，即可快速、高效地得到与变化后的场景相适配的模型，大大减少了应用场景发生变化后新样本数据的标注和模型的训练时间和效率，提升了监控系统的适应性。

下面进一步举例说明将迁移学习应用于机加工刀具状态监测系统的应用示列。

假设某产线相邻两台同型号加工中心A、B，执行相同的加工任务，针对两个机台T1刀位的两把刀具，相同的特征参数有刀具的类型、尺寸、刃数，加工工艺，工件材质；不同的特征参数有刀具本身及机台。现模拟实验场景：运行于A机台，对T1刀位刀具进行状态监控的系统需要迁移到B机台对T1刀位刀具进行监控，且历史数据库中有来源于A机台T1刀位有6把刀具产生的全生命周期数据，来源于B机台T1刀位只有一把刀具产生的全生命周期数据，以模拟源域数据数量充足，目标域数据数量有限的场景。

基于上述实验设计，详细说明迁移学习的实施过程。

首先，对离线数据进行预处理及特征工程化处理，得到形状为(m+n)x 4的特征矩阵，其中m为源域数据条数，n为目标域数据条数，4为特征向量维数。

将采自A机台T1刀位加工时的控制器/传感器数据划分为源域数据，将采自B机台T1刀位加工时的控制器/传感器数据划分为目标域数据。

对源域样本划分为两组样本，划分方式为随机采样。统计这两组样本之间各特征Wasserstein距离值。具体地，对源域样本以不同的随机状态多次随机采样分为两组，统计计算各特征的Wasserstein距离值。对多次采样计算的各特征Wasserstein距离值分别求平均值，得到源域内各特征分布差异均值＝[]。

对于源域和目标域各特征分布差异与域内相应特征的分布差异均值做对比，得到与各特征相对应的差异分别为[16％,25％,28％,2％]，各特征分布存在一定的差异但差异均在相应的阈值内，可以进入后续训练流程。

结合迁移学习策略进行模型训练，设定系统功能为刀具失效检测，则模型最终输出为基于输入的特征向量推断出的刀具状态，为二分类问题。

基于迁移学习进行模型训练具体采用以下两种方式并进行比较：

1)基于实例的迁移学习策略模型训练

选择基础模型：朴素贝叶斯模型，模型本身无超参数。迁移学习框架选择：TrAdaBoost，超参数：权重重分配迭代次数＝200。输入完整的离线特征矩阵以及矩阵中各行样本的域标签及超参数，训练完成得到模型M1。

2)基于模型的迁移学习策略模型训练

监测模型采用全连接神经网络模型，其结构如图3所示，其中隐层一的神经元个数为125，激活函数为Relu；隐层二的神经元个数为50，激活函数为Relu；输出层激活函数为sigmoid；损失函数为binary_crossentropy；优化器为adam。使用离线特征矩阵中属于源域的部分输入模型进行训练，再使用离线特征矩阵中属于目标域的部分对上述模型进行参数微调，得到模型M2。

针对上述模型M1和M2，利用来源于B机台T1刀位的另一把刀具全生命周期数据，模拟迁移后系统收到新产生的在线数据。经过进行预处理及特征工程化处理，分别输入迁移学习训练后所得的模型M1和M2中，得到推断结果。此处使用F1-score指标来评估和比较分类器的性能，结果如下：

使用基于样本的迁移学习策略训练的模型M1：F1-score＝0.76；

使用基于模型的迁移学习策略训练的模型M2：F1-score＝0.88；

为对比效果，仅利用前面所述的目标域数据分别使用朴素贝叶斯模型和全连接神经网络模型进行训练，结果如下：

使用朴素贝叶斯算法训练模型M1’，再输入在线数据样本后得到的F1-score＝0.35；

使用全连接神经网络训练模型M2’，再输入在线数据样本后得到的F1-score＝0.68；

根据上述结果可知，迁移学习策略确实利用了源域历史数据中的信息，提高了目标域样本量不足的情况下重训练后模型的性能，迁移学习的有效性得到了验证。

相应地，本发明实施例还提供一种机加工刀具状态监测系统，如图4所示，是该系统的一种结构框图。

在该实施例中，所述系统包括：数据采集模块401、分布差异计算模块402、分布差异判断模块403、迁移学习模块404、训练模块405、监测模块406。其中：

所述数据采集模块401用于在机加工系统参数发生变化后，实时采集少量当前数据并将采集的数据存入目标域数据集；

所述分布差异计算模块402用于计算所述目标域数据集与源域数据集之间各特征参数的分布差异；所述源域数据集包括所述机加工系统参数发生变化前采集的数据；

所述分布差异判断模块403用于判断所述目标域数据集与源域数据集之间各特征参数的分布差异是否均小于所述特征参数的分布差异阈值；如果是，则触发所述迁移学习模块404通过迁移学习得到目标域迁移模型，并将所述目标域迁移模型作为当前监测模型；否则，触发所述训练模块405利用所述目标域数据集中的数据训练得到当前监测模型；

所述训练模块405用于在所述目标域数据集的数据量达到设定要求后，利用所述目标域数据集中的数据训练得到当前监测模型；

所述监测模块406用于利用迁移学习模块404或所述训练模块406输出的当前监测模型对刀具状态进行在线监测。

在实际应用中，所述分布差异计算模块402具体可以通过JS散度、或者KL散度、或者Wasserstein距离计算所述目标域数据集与源域数据集之间各特征参数的分布差异。比如，以Wasserstein距离为度量指标，计算所述目标域数据集中各特征参数与所述源域数据集中相应特征参数的Wasserstein距离，并将计算得到的Wasserstein距离值作为对应所述特征参数的分布差异。

各特征参数对应的分布差异阈值可以由相应的分布差异阈值确定模块(未图示)来确定，所述分布差异阈值确定模块可以包括以下各单元：

样本划分单元，用于对所述源域数据集进行多次采样划分为两组样本；

计算单元，用于计算每次划分的两组样本之间各特征参数的Wasserstein距离值，并对多次计算得到的特征参数的Wasserstein距离值取均值，得到所述特征参数的域内分布差异均值；

阈值确定单元，用于根据所述特征参数的域内分布差异均值确定所述特征参数的分布差异阈值。

另外，所述迁移学习模块可以采用多种方式的迁移学习得到目标域迁移模型，比如，所述迁移学习模块的一种具体实施例可以包括以下任意一个或多个单元：

第一学习单元，用于采用基于实例的迁移学习，对源域数据集中与目标域数据集中的相似样本通过权重调整进行重用，训练得到目标域迁移模型；

第二学习单元，用于采用基于特征的迁移学习，将基于源域数据学习到的特征表示传递到目标域，训练得到目标域迁移模型；

第三学习单元，用于采用基于关系的迁移学习，将源域数据集对应的监测模型训练中学习到的数据间的逻辑关系应用到目标域迁移模型训练中，得到目标域迁移模型；

第四学习单元，采用基于模型的迁移学习，利用目标域数据集对源域数据集对应的预测模型参数进行微调，得到目标域迁移模型。

需要说明的是，迁移学习的基本假设是：源域数据与目标域数据分布有一定的差异，同时也具有相似性，即源域数据集和目标域数据集中存在分布具有一定差异的特征参数，同时又具有分布差异较小的特征参数。如果源域数据集和目标域数据集中所有类型特征均有较大的分布差异，则迁移学习的基本假设不满足，无法保证从源域样本中获得的知识有利于解决目标域的任务，此时需要放弃迁移学习策略，回退到传统的模型重训练策略：即继续收集足够多的目标域数据并且只使用目标域数据进行重训练。

为此，在本发明的一种实施例中，在所述目标域数据集与源域数据集之间各特征参数的分布差异均小于所述特征参数的分布差异阈值的情况下，才会进行迁移学习得到目标域迁移模型。当然，如果对应某个特征参数的分布差异大于所述分布差异阈值，也可以将源域数据集和目标域数据集中的该特征参数剔除，从而保证后续得到的目标域迁移模型的性能，进而保证预测结果的准确性。

考虑到不同特征参数对刀具状态的影响作用会有差异，也就是说，有些特征参数与刀具状态的相关性较大，而有些特征参数与刀具状态的相关性较小。如果删除这些相关性较大的特征参数，势必会影响到监测模型的性能。为此，在本发明方法另一实施例中，还可以针对这种情况进行有效判断，进而保证迁移学习得到的监测模型的性能。

为此，图5示出了本发明实施例机加工刀具状态监测系统的另一种结构框图。

与图4所示实施例不同的是，在该实施例中，所述系统还包括以下各模块：设置模块(未图示)、重要度判断模块502、参数调整模块503。其中：

所述设置模块用于确定各特征参数的重要度；

所述重要度判断模块502用于在所述分布差异判断模块403确定所述目标域数据集与源域数据集之间各特征参数的分布差异不是均小于所述特征参数的分布差异阈值后，确定所有分布差异大于等于对应的分布差异阈值的特征参数的重要度；如果其中所有特征参数的重要度都为低，则先触发所述参数调整模块503从所述目标域数据集与源域数据集中删除所述特征参数，然后再触发所述迁移学习模块404通过迁移学习得到目标域迁移模型；否则，触发所述训练模块405利用所述目标域数据集中的数据训练得到当前监测模型。

本发明实施例提供的机加工刀具状态监控系统，将迁移学习方法应用在机加工刀具状态监控系统中，充分利用应用场景发生变化前已累积的已累积的源域数据及监测模型，提取可利用信息，从而结合尽可能少的新样本数据(目标域数据)，即可快速、高效地得到与变化后的场景相适配的模型，大大减少了应用场景发生变化后新样本数据的标注和模型的训练时间和效率，提升了监控系统的适应性。

需要说明的是，对于上述机加工刀具状态监测系统各实施例而言，由于各模块、单元的功能实现与相应的方法中类似，因此对所述对话生成装置各实施例描述得比较简单，相关之处可参见方法实施例的相应部分说明。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。而且，以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的，即可以位于一个网络单元上，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：ROM/RAM、磁碟、光盘等。

相应地，本发明实施例还提供一种用于机加工刀具状态监测方法的装置，该装置是一种电子设备，比如，可以是移动终端、计算机、平板设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器；其中，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面各实施例所述的方法。

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及装置，其仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种机加工刀具状态监测方法，其特征在于，所述方法包括：

在机加工系统参数发生变化后，实时采集少量当前数据并将采集的数据存入目标域数据集；

计算所述目标域数据集与源域数据集之间各特征参数的分布差异；所述源域数据集包括所述机加工系统参数发生变化前采集的数据；

判断所述目标域数据集与源域数据集之间各特征参数的分布差异是否均小于所述特征参数的分布差异阈值；

如果是，则通过迁移学习得到目标域迁移模型，并将所述目标域迁移模型作为当前监测模型；

否则，继续采集当前数据并将采集的数据存入目标域数据集，并在所述目标域数据集的数据量达到设定要求后，利用所述目标域数据集中的数据训练得到当前监测模型；

利用所述当前监测模型对刀具状态进行在线监测。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：确定各特征参数的重要度；

在继续采集当前数据并将采集的数据存入目标域数据集之前，确定所有分布差异大于等于对应的分布差异阈值的特征参数的重要度；

如果所有特征参数的重要度均为低，则从所述目标域数据集与源域数据集中删除所述特征参数，然后通过迁移学习得到目标域迁移模型，并将所述目标域迁移模型作为当前监测模型；

否则，执行继续采集当前数据并将采集的数据存入目标域数据集的步骤。

3.根据权利要求1所述的方法，其特征在于，所述计算所述目标域数据集与源域数据集之间各特征参数的分布差异包括：

通过JS散度、或者KL散度、或者Wasserstein距离计算所述目标域数据集与源域数据集之间各特征参数的分布差异。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括按照以下方式确定各特征参数的分布差异阈值：

对所述源域数据集进行多次采样划分为两组样本；

计算每次划分的两组样本之间各特征参数的Wasserstein距离值，并对多次计算得到的特征参数的Wasserstein距离值取均值，得到所述特征参数的域内分布差异均值；

根据所述特征参数的域内分布差异均值确定所述特征参数的分布差异阈值。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述通过迁移学习得到目标域迁移模型包括以下任意一种或多种：

采用基于实例的迁移学习，对源域数据集中与目标域数据集中的相似样本通过权重调整进行重用，训练得到目标域迁移模型；

采用基于特征的迁移学习，将基于源域数据学习到的特征表示传递到目标域，训练得到目标域迁移模型；

采用基于关系的迁移学习，将源域数据集对应的监测模型训练中学习到的数据间的逻辑关系应用到目标域迁移模型训练中，得到目标域迁移模型；

采用基于模型的迁移学习，利用目标域数据集对源域数据集对应的预测模型参数进行微调，得到目标域迁移模型。

6.一种机加工刀具状态监测系统，其特征在于，所述系统包括：数据采集模块、分布差异计算模块、分布差异判断模块、迁移学习模块、训练模块、监测模块；

所述数据采集模块，用于在机加工系统参数发生变化后，实时采集少量当前数据并将采集的数据存入目标域数据集；

所述分布差异计算模块，用于计算所述目标域数据集与源域数据集之间各特征参数的分布差异；所述源域数据集包括所述机加工系统参数发生变化前采集的数据；

所述分布差异判断模块，用于判断所述目标域数据集与源域数据集之间各特征参数的分布差异是否均小于所述特征参数的分布差异阈值；如果是，则触发所述迁移学习模块通过迁移学习得到目标域迁移模型，并将所述目标域迁移模型作为当前监测模型；否则，触发所述训练模块利用所述目标域数据集中的数据训练得到当前监测模型；

所述训练模块，用于在所述目标域数据集的数据量达到设定要求后，利用所述目标域数据集中的数据训练得到当前监测模型；

所述监测模块，用于利用所述迁移学习模块或所述训练模块输出的当前监测模型对刀具状态进行在线监测。

7.根据权利要求6所述的系统，其特征在于，所述系统还包括：设置模块、重要度判断模块、参数调整模块；

所述设置模块，用于确定各特征参数的重要度；

所述重要度判断模块，用于在所述分布差异判断模块确定所述目标域数据集与源域数据集之间各特征参数的分布差异不是均小于所述特征参数的分布差异阈值后，确定所有分布差异大于等于对应的分布差异阈值的特征参数的重要度；如果其中所有特征参数的重要度都为低，则先触发所述参数调整模块从所述目标域数据集与源域数据集中删除所述特征参数，然后再触发所述迁移学习模块通过迁移学习得到目标域迁移模型；否则，触发所述训练模块利用所述目标域数据集中的数据训练得到当前监测模型。

8.根据权利要求6所述的系统，其特征在于，

所述分布差异计算模块，具体用于通过JS散度、或者KL散度、或者Wasserstein距离计算所述目标域数据集与源域数据集之间各特征参数的分布差异。

9.根据权利要求8所述的系统，其特征在于，所述系统还包括：分布差异阈值确定模块，用于确定各特征参数的分布差异阈值；所述分布差异阈值确定模块包括：

样本划分单元，用于对所述源域数据集进行多次采样划分为两组样本；

计算单元，用于计算每次划分的两组样本之间各特征参数的Wasserstein距离值，并对多次计算得到的特征参数的Wasserstein距离值取均值，得到所述特征参数的域内分布差异均值；

阈值确定单元，用于根据所述特征参数的域内分布差异均值确定所述特征参数的分布差异阈值。

10.根据权利要求6至9任一项所述的系统，其特征在于，所述迁移学习模块包括以下任意一个或多个单元：

第一学习单元，用于采用基于实例的迁移学习，对源域数据集中与目标域数据集中的相似样本通过权重调整进行重用，训练得到目标域迁移模型；

第二学习单元，用于采用基于特征的迁移学习，将基于源域数据学习到的特征表示传递到目标域，训练得到目标域迁移模型；

第三学习单元，用于采用基于关系的迁移学习，将源域数据集对应的监测模型训练中学习到的数据间的逻辑关系应用到目标域迁移模型训练中，得到目标域迁移模型；

第四学习单元，采用基于模型的迁移学习，利用目标域数据集对源域数据集对应的预测模型参数进行微调，得到目标域迁移模型。

Images