CN115933531B - 一种基于深度域对抗迁移的机床热误差建模方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度域对抗迁移的机床热误差建模方法及系统，该方法包括：获取数控机床的源域数据与目标域数据；基于源域数据与目标域数据，引入域对抗机制，构建深度域对抗神经网络回归模型；考虑域对抗机制损失函数最大化，基于深度域对抗神经网络回归模型对源域数据与目标域数据进行完全混淆训练，得到训练后的深度域对抗神经网络回归模型。该系统包括：获取模块、构建模块和训练模块。通过使用本发明，能够在保证具有较高的预测精度的同时提升了资源的利用率。本发明作为一种基于深度域对抗迁移的机床热误差建模方法及系统，可广泛应用于数控机床热误差补偿技术领域。

Description

一种基于深度域对抗迁移的机床热误差建模方法及系统

技术领域

本发明涉及数控机床热误差补偿技术领域，尤其涉及一种基于深度域对抗迁移的机床热误差建模方法及系统。

背景技术

热误差是影响立式数控加工中心精密制造的主要因素，科学研究表明，机床主轴在加工过程，因热变形产生的热误差占机床加工总误差的40％-70％，且机床精密度越高，其热误差占比越大，因此，机床热误差预测及补偿技术是当下研究的重点和难点，数控机床种类较多，机床主轴布设方式导致不同机床的主要热误差不同，现有热误差预测补偿技术，针对一种特定机床布置多源传感器，采集数据建立回归模型，传统深度学习建模方法，在单一设备、同一工况、特定热误差的预测任务中，往往能够取得较高的预测精度，但变工况、跨设备、多类型以及主轴带刀加工时，热误差数据无法采集的场景下，传统技术手段捉襟见肘，受加工限制，主轴常在不同工况下切换转速；传统深度学习建模手段难以适配所有情形，只能在特定机床和工况下取得较高的预测精度，由此可见，机床热误差存在变工况、跨设备、多类型特点，且主轴带刀加工时因难以采集热误差数据，使传统的深度学习依托特征数据和标签构建模型的方法难以实行，一种特定工况和设备下的模型难以适用所有场合，对于跨地域、时空下，模型的调用并未给出有效的技术手段。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于深度域对抗迁移的机床热误差建模方法及系统，能够在保证具有较高的预测精度的同时提升了资源的利用率。

本发明所采用的第一技术方案是：一种基于深度域对抗迁移的机床热误差建模方法，包括以下步骤：

获取数控机床的源域数据与目标域数据；

基于源域数据与目标域数据，引入域对抗机制，构建深度域对抗神经网络回归模型；

考虑域对抗机制损失函数最大化，基于深度域对抗神经网络回归模型对源域数据与目标域数据进行混淆训练，得到训练后的深度域对抗神经网络回归模型。

进一步，所述获取数控机床的源域数据与目标域数据这一步骤，其具体包括：

通过多源传感器获取数控机床的数据，所述数控机床的数据包括特征数据与热误差数据；

选取完整的数控机床的数据，构建待归一化源域数据；

选取缺失热误差数据的数控机床的数据，构建待归一化目标域数据；

对待归一化源域数据与待归一化目标域数据进行归一化处理，得到源域数据与目标域数据。

进一步，所述源域数据包括源域特征数据与源域误差数据，所述目标域数据包括目标域特征数据，所述基于源域数据与目标域数据，引入域对抗机制，构建深度域对抗神经网络回归模型这一步骤，其具体包括：

将源域特征数据与目标域特征数据作为输入，源域误差数据作为输出；

引入域对抗机制，构建深度域对抗神经网络回归模型，所述深度域对抗神经网络回归模型包括特征提取器、预测器和域判别器。

进一步，所述考虑域对抗机制损失函数最大化，基于深度域对抗神经网络回归模型对源域数据与目标域数据进行混淆训练，得到训练后的深度域对抗神经网络回归模型这一步骤，其具体包括：

将源域数据与目标域数据输入至深度域对抗神经网络回归模型；

基于特征提取器，分别对源域数据与目标域数据进行特征提取处理，得到源域特征数据与目标域特征数据；

对源域特征数据与目标域特征数据进行赋予域分类标签处理，得到具有分类标签的源域特征数据与具有分类标签的目标域特征数据；

将具有分类标签的源域特征数据与具有分类标签的目标域特征数据输入至域判别器进行梯度反向迭代训练，输出域对抗损失函数值；

将具有分类标签的源域特征数据输入至预测器进行迭代平均绝对误差损失函数计算，输出源域特征数据的预测值与实测值；

直至上述域对抗损失函数值达到最大化且平均绝对误差损失函数值最小化，构建训练后的深度域对抗神经网络回归模型。

进一步，所述将具有分类标签的源域特征数据与具有分类标签的目标域特征数据输入至域判别器进行梯度反向迭代训练，输出域对抗损失函数值这一步骤，其具体包括：

将具有分类标签的源域特征数据与具有分类标签的目标域特征数据输入至域判别器进行对抗训练；

基于对抗训练过程，引入梯度反转层，所述梯度反转层包括反向传播训练与前向传播训练；

基于反向传播训练，对具有分类标签的源域特征数据与具有分类标签的目标域特征数据进行梯度取反处理，得到第一训练结果；

基于前向传播训练，对具有分类标签的源域特征数据与具有分类标签的目标域特征数据进行恒等变换处理，得到第二训练结果；

结合第一训练结果与第二训练结果构建域对抗损失函数值。

进一步，所述域对抗损失函数值达到最大化的判定条件为：

域判别器输出的具有分类标签的目标域特征数据的分类标签数据满足预设的标签数据值，域判别器实现对具有分类标签的源域特征数据与具有分类标签的目标域特征数据进行混淆。

进一步，所述域对抗损失函数值达到最大化且源域特征数据的预测值与实测值之间的误差值满足预设阈值的表达式具体如下所示：

上式中，θ_f表示特征提取器的输出，θ_p表示预测器的输出，θ_d表示域判别器的输出，E(·)表示模型的损失函数。

进一步，还包括将训练后的深度域对抗神经网络回归模型进行导出并上传至服务器进行调用，其具体包括：

基于模型底层训练终端将训练后的深度域对抗神经网络回归模型进行导出；

服务器通过TensorFlow Serving开启服务，指定训练后的深度域对抗神经网络回归模型所在路径；

通过Docker拉取模型服务器将训练后的深度域对抗神经网络回归模型嵌入至对应路径，得到镜像深度域对抗神经网络回归模型；

用户端通过发送热误差特征数据调用镜像深度域对抗神经网络回归模型。

本发明所采用的第二技术方案是：一种基于深度域对抗迁移的机床热误差建模系统，包括：

获取模块，用于获取数控机床的源域数据与目标域数据；

构建模块，基于源域数据与目标域数据，引入域对抗机制，构建深度域对抗神经网络回归模型；

训练模块，用于考虑域对抗机制损失函数最大化，基于深度域对抗神经网络回归模型对源域数据与目标域数据进行混淆训练，得到训练后的深度域对抗神经网络回归模型。

本发明方法及系统的有益效果是：本发明针对变工况、跨设备机床热误差预测建模问题，搭建了基于迁移学习的深度域对抗神经网络(DDANN)模型，通过混淆源域特征数据和目标域特征数据，域判别器的最终任务混淆源域和目标域，使域分类误差最大化，预测器的任务是在源域数据集上准确预测热误差值，在源域损失函数基础上增加两个域对抗损失函数，总的损失函数为三者之和，域对抗机制的引入，让网络朝着源域和目标域分类误差最大、源域预测误差最小化的方向训练，源域模型迁移应用在目标域时具备较高的预测精度；考虑到跨地域、时空下，热误差模型的调用问题，进一步提出将模型部署在云端，提供给客户端API接口调用的技术路线在Web服务器上编写指定模型的客户端执行程序，有效解决了多服务并发时的依赖冲突，极大地提高了使用效率。

附图说明

图1是本发明一种基于深度域对抗迁移的机床热误差建模方法的步骤流程图；

图2是本发明一种基于深度域对抗迁移的机床热误差建模系统的结构框图；

图3是本发明基于深度域对抗迁移的机床热误差建模设计的流程图；

图4是本发明构建的深度域对抗神经网络回归模型的结构示意图；

图5是本发明构建的深度域对抗神经网络回归模型在训练集的损失函数示意图；

图6是传统的基于数控机床主轴空转转速为3000rpm下构建的DNN模型在源域热误差预测任务上预测精度结果示意图；

图7是传统的基于数控机床主轴空转转速为4000rpm下构建的DNN模型在目标域热误差预测任务上预测精度结果示意图；

图8是本发明基于数控机床主轴空转转速为3000rpm下构建的深度域对抗神经网络回归模型在源域热误差预测任务上预测精度结果示意图；

图9是本发明基于数控机床主轴空转转速为4000rpm下构建的深度域对抗神经网络回归模型在目标域热误差预测任务上预测精度结果示意图；

图10是本发明的Web服务器和模型服务器关系结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

参照图1和图3，本发明提供了一种基于深度域对抗迁移的机床热误差建模方法，该方法包括以下步骤：

S1、获取数控机床的实验数据；

具体地，以同一立式机床主轴空转(A)、带刀铣削(B)两种工况为研究对象，展示本发明DNN+对抗网络在工况A下的建模过程，与模型由A→B的迁移效果，受重力和主轴温升影响，立式机床的关键热误差为主轴Z向热误差，在机床主轴上布设数据采集平台，以工况A的数据集为源域，包括特征数据和热误差数据，工况B的数据集为目标域，包括与源域类似的特征数据，为了验证本发明所提的DNN+对抗机制网络的迁移效果，目标域带有热误差数据，但真实场景下不要求带有热误差值，本发明通过选取完整的数据构建源域数据，所述完整的数据指的是既有自变量数据，如：温度、功率、电流，又有因变量数据，如热误差数据，通过选取缺失的数据构建目标域数据，所述缺失的数据指仅有自变量数据，缺失热误差数据，传统深度学习方法在只有自变量的情况下无法构建深度域对抗神经网络模型，本发明的方法是将类似问题的模型数据拿来作为源域，需要预测的问题(只有自变量的情况)作为目标域，两部分数据通过本发明的方法，即使目标域没有因变量也是可以精准预测，而需要说明的是，本发明的实施例中的目标域数据带有热误差值可以用作参考，看预测值和真实值差距多大，因此，在实际场景比如刀具带刀加工时，这个情况下是没法或者很难测定热误差值的，因为刀具在高速旋转，那么只能测定温度，功率，电流数据，这种情况下，本发明的方法就可以作为一种比较合理的建模手段；

源域、目标域数据集如表一所示，源域为工况A主轴空转，转速3000rpm下的数据集，目标域为工况B主轴带刀铣削加工，转速4000rpm下的数据集，两数据集具体参数如表1所示；

表1源域和目标域数据集简介

S2、构建深度域对抗神经网络模型并进行训练；

具体地，底层模型训练终端，归一化源域和目标域特征数据后，深度域对抗神经网络(Deep Domain Adversarial Neural Network，DDANN)模型，如图4所示，源域和目标域特征数据分别输入网络，特征提取器G_f提取源域和目标域特征后输入域判别器，手动设置源域域分类标签为0，目标域域分类标签为1，域判别器G_d对抗训练，直到目标域输出标签为0，域判别器无法区分特征来源，此时完全混淆源域和目标域，意味着/>和/>完全混淆，同时计算域对抗损失函数Loss_Domain，域判别器应朝着使Loss_Domain最大化的方向训练，加入梯度反转层，使得在反向传播过程中梯度方向自动取反，梯度反转层数学表示如下所示：

R_λ(x)＝x

上式中，R_λ(x)表示前向传播时，进行恒等变换，表示在反向传播时，梯度方向自动取反；

在梯度反转层(GRL)中，参数λ不是一成不变的，随着训练进程自适应调整，参数λ的定义如下所示：

上式中，p表示迭代进程的相对值，即当前迭代次数与总的迭代次数的比值，γ表示常数10，迭代进程的相对值可自主设定；

进一步的，所述迭代进程的相对值的表达式具体如下所示：

上式中，n_{batch_id}表示当前批次，m_epoch表示当前迭代次数，M_epochs表示总的迭代次数，N_train表示训练集样本总数；

综上，前向传播和反向传播几乎是并行的，除了第一次迭代训练时只有前向传播，第二次迭代开始就有反向传播了，两者的区别为前向传播是训练数据经过不同的处理，得到预测值，本质是训练数据的前向传播，方向传播是模型最终的预测值与真实值做了一个误差计算，把这个误差反向传播回到网络最前端；

借用神经网络在不同梯度上提取数据特征的特点，以对抗机制互相博弈特点约束网络朝着源域和目标域误差最大化方向训练，以平均绝对误差MAE评估源域训练器G_p输出的预测值与实测值y_i的损失函数Los_MAE，以对抗损失函数Loos_Domain评估域判别器的分类误差，最终损失函数Loss＝Loss_Domain+Loss_MAE，通过两个损失函数，约束网络朝着使源域和目标域数据域分类误差最大化、预测器预测误差最小化的梯度方向训练，本发明搭建的DDANN模型框架如图4所示；

本发明所提DDANN模型，学习率也是随着训练进程自适应调整，具体计算过程如下所示：

上式中，μ₀表示初始学习率，为0.001，α和β表示超参数，α＝10，β＝0.75；

以平均绝对误差(Mean Absolute Error，MAE)计算源域DNN预测值与输出y_i损失函数Loss_MAE，以最终损失函数Loss＝Loss_Domain+Loss_MAE，监测模型训练效果，模型收敛时，域判别器混淆/>和/>二者难以相互区分，预测器热误差预测值与实测值误差最小，DDANN损失函数的最优值可定义为如下所示：

上式中，θ_f表示特征提取器的输出，θ_p表示预测器的输出，θ_d表示域判别器的输出，E(·)表示模型的损失函数；

不同特征提取器的形式不一样，用于回归的隐藏层如：“Dense”、“Flatten”等均可看作是以不同的形式提取特征，域判别器对来自特征提取器的特征进行判别，若域判别器能够清晰地判定数据来自源域或是目标域，则网络未达到训练目标，此时Loss_Domain较小，损失函数反向传播至网络，使网络继续朝着使Loss_Domain不断增大的梯度训练，若域判别器不能分辨出两数据集各自的来源，表明源域和目标域经域判别器训练后，已完全混淆难以区分，此时Loss_Domain较大，另一方面，源域所在热误差预测器输出预测值与实测值y_i计算平均绝对误差MAE，MAE反向传播，使网络朝着使Loss_MAE最小的梯度训练，如图5所示，当模型收敛时，网络达到预期目标，可终止训练；

进一步为了对比DDANN模型预测精度，分别使用源域数据建立DNN模型、和DDANN模型，对比两个模型在源域上的预测精度，以及将DNN、DANN模型迁移到目标域进行预测的精度，得到四组预测值，如图6和7所示为DNN模型在源域和目标域上的预测精度，图8和9所示为DDANN在源域和目标域的预测精度，从表2中对比可知：本发明所提DDANN模型迁移预测效果优于单独使用DNN的模型，表2如下所示；

S3、将训练后的深度域对抗神经网络模型上传至服务器进行调用。

具体地，参照图10，模型训练结束，底层模型训练终端导出模型，上传至模型服务器，服务器通过TensorFlow Serving开启服务，指定模型所在路径；Web服务器编写调用模型服务的程序，通过Docker拉取模型服务器指定TensorFlow Serving模型，不同地域、时空下的客户端用户通过云端访问Web服务器地址，发送本地热误差特征数据，Web服务器接收请求，在本地拉取模型服务器上的TensorFlow Serving镜像模型，调用模型预测后经云端返回客户端，底层模型终端向服务器的传输协议包括：gRPC和Protobufs协议，两服务器内部的传输协议包括：gRPC和Protobufs协议，云端向服务器的传输协议包括：HTTP(S)和REST协议。

参照图2，一种基于深度域对抗迁移的机床热误差建模系统，包括：

获取模块，用于获取数控机床的源域数据与目标域数据；

构建模块，基于源域数据与目标域数据，引入域对抗机制，构建深度域对抗神经网络回归模型；

训练模块，用于考虑域对抗机制损失函数最大化，基于深度域对抗神经网络回归模型对源域数据与目标域数据进行完全混淆训练，得到训练后的深度域对抗神经网络回归模型。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种基于深度域对抗迁移的机床热误差建模方法，其特征在于，包括以下步骤：

获取数控机床的源域数据与目标域数据；

基于源域数据与目标域数据，引入域对抗机制，构建深度域对抗神经网络回归模型；

考虑域对抗机制损失函数最大化，基于深度域对抗神经网络回归模型对源域数据与目标域数据进行混淆训练，得到训练后的深度域对抗神经网络回归模型；

所述源域数据包括源域特征数据与源域误差数据，所述目标域数据包括目标域特征数据，所述基于源域数据与目标域数据，引入域对抗机制，构建深度域对抗神经网络回归模型这一步骤，其具体包括：

将源域特征数据与目标域特征数据作为输入，源域误差数据作为输出；

引入域对抗机制，构建深度域对抗神经网络回归模型，所述深度域对抗神经网络回归模型包括特征提取器、预测器和域判别器；

所述考虑域对抗机制损失函数最大化，基于深度域对抗神经网络回归模型对源域数据与目标域数据进行混淆训练，得到训练后的深度域对抗神经网络回归模型这一步骤，其具体包括：

将源域数据与目标域数据输入至深度域对抗神经网络回归模型；

基于特征提取器，分别对源域数据与目标域数据进行特征提取处理，得到源域特征数据与目标域特征数据；

对源域特征数据与目标域特征数据进行赋予域分类标签处理，得到具有分类标签的源域特征数据与具有分类标签的目标域特征数据；

将具有分类标签的源域特征数据与具有分类标签的目标域特征数据输入至域判别器进行梯度反向迭代训练，输出域对抗损失函数值；

将具有分类标签的源域特征数据输入至预测器进行迭代平均绝对误差损失函数计算，输出源域特征数据的预测值与实测值；

直至上述域对抗损失函数值达到最大化且平均绝对误差损失函数值最小化，构建训练后的深度域对抗神经网络回归模型；

所述将具有分类标签的源域特征数据与具有分类标签的目标域特征数据输入至域判别器进行梯度反向迭代训练，输出域对抗损失函数值这一步骤，其具体包括：

将具有分类标签的源域特征数据与具有分类标签的目标域特征数据输入至域判别器进行对抗训练；

基于对抗训练过程，引入梯度反转层，所述梯度反转层包括反向传播训练与前向传播训练；

基于反向传播训练，对具有分类标签的源域特征数据与具有分类标签的目标域特征数据进行梯度取反处理，得到第一训练结果；

基于前向传播训练，对具有分类标签的源域特征数据与具有分类标签的目标域特征数据进行恒等变换处理，得到第二训练结果；

结合第一训练结果与第二训练结果构建域对抗损失函数值；

梯度反转层数学表示如下所示：

R_λ(x)＝x

上式中，R_λ(x)表示前向传播时，进行恒等变换，表示在反向传播时，梯度方向自动取反；

在梯度反转层中，参数λ的定义如下所示：

上式中，p表示迭代进程的相对值，γ表示常数10；

所述迭代进程的相对值的表达式具体如下所示：

上式中，n_{batch_id}表示当前批次，m_epoch表示当前迭代次数，M_epochs表示总的迭代次数，N_train表示训练集样本总数。

2.根据权利要求1所述一种基于深度域对抗迁移的机床热误差建模方法，其特征在于，所述获取数控机床的源域数据与目标域数据这一步骤，其具体包括：

通过多源传感器获取数控机床的数据，所述数控机床的数据包括特征数据与热误差数据；

选取完整的数控机床的数据，构建待归一化源域数据；

选取缺失热误差数据的数控机床的数据，构建待归一化目标域数据；

对待归一化源域数据与待归一化目标域数据进行归一化处理，得到源域数据与目标域数据。

3.根据权利要求1所述一种基于深度域对抗迁移的机床热误差建模方法，其特征在于，所述域对抗损失函数值达到最大化的判定条件为：

域判别器输出的具有分类标签的目标域特征数据的分类标签数据满足预设的标签数据值，域判别器实现对具有分类标签的源域特征数据与具有分类标签的目标域特征数据进行完全混淆。

4.根据权利要求3所述一种基于深度域对抗迁移的机床热误差建模方法，其特征在于，所述域对抗损失函数值达到最大化且源域特征数据的预测值与实测值之间的误差值满足预设阈值的表达式具体如下所示：

上式中，θ_f表示特征提取器的输出，θ_p表示预测器的输出，θ_d表示域判别器的输出，E(·)表示模型的损失函数。

5.根据权利要求1所述一种基于深度域对抗迁移的机床热误差建模方法，其特征在于，还包括将训练后的深度域对抗神经网络回归模型进行导出并上传至服务器进行调用，其具体包括：

基于模型底层训练终端将训练后的深度域对抗神经网络回归模型进行导出；

服务器通过TensorFlow Serving开启服务，指定训练后的深度域对抗神经网络回归模型所在路径；

通过Docker拉取模型服务器将训练后的深度域对抗神经网络回归模型嵌入至对应路径，得到镜像深度域对抗神经网络回归模型；

用户端通过发送热误差特征数据调用镜像深度域对抗神经网络回归模型。

6.一种基于深度域对抗迁移的机床热误差建模系统，其特征在于，用于执行如权利要求1所述的基于深度域对抗迁移的机床热误差建模方法，包括以下模块：

获取模块，用于获取数控机床的源域数据与目标域数据；

构建模块，基于源域数据与目标域数据，引入域对抗机制，构建深度域对抗神经网络回归模型；

训练模块，用于考虑域对抗机制损失函数最大化，基于深度域对抗神经网络回归模型对源域数据与目标域数据进行混淆训练，得到训练后的深度域对抗神经网络回归模型。