CN116204774A - 一种基于分层元学习的刀具磨损稳定预测方法 - Google Patents
一种基于分层元学习的刀具磨损稳定预测方法 Download PDFInfo
- Publication number
- CN116204774A CN116204774A CN202211619329.7A CN202211619329A CN116204774A CN 116204774 A CN116204774 A CN 116204774A CN 202211619329 A CN202211619329 A CN 202211619329A CN 116204774 A CN116204774 A CN 116204774A
- Authority
- CN
- China
- Prior art keywords
- model
- hierarchical
- prediction
- learning
- meta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供了一种基于分层元学习的刀具磨损稳定预测方法,包括:数据采集与处理,采集并处理切削力、振动、电流和功率传感器监测信号数据作为模型输入,同时采集并处理刀具磨损量值数据作为模型标签;建立分层元学习模型,通过建立分层贝叶斯图模型确定小样本、大工况变化复杂环境下的预测模型参数关系,根据参数关系推导设计变分推断网络,获得元参数的概率分布,依据概率分布多次采样确定最优元参数;基于分层元学习模型实现小样本、大工况复杂环境下数控加工刀具磨损的稳定预测;采用概率近似正确贝叶斯泛化理论计算基于分层元学习的刀具磨损稳定预测的泛化误差;根据先验信息,提高变工况下刀具磨损量预测结果的稳定性。
Description
技术领域
本申请属于数控加工中刀具磨损预测技术领域,尤其涉及一种基于分层元学习的刀具磨损稳定预测方法。
背景技术
数控加工的样本采集过程中存在很多随机因素,加工过程、监测信号的采集和特征提取过程,以及刀具磨损量标签获取和处理过程都有可能引入不确定性。另外,刀具磨损量标签的采集需要进行大量实验、经过复杂操作过程,标签获取困难,模型泛化时由于标签数据量不足也将引起一定程度的不确定性,用固定参数的模型进行刀具磨损量预测难以保证预测结果的稳定性。
目前,变工况下刀具磨损预测方法主要包括经验/机理模型驱动的方法和数据驱动的方法两类。经验/机理模型驱动方法只能通过大量近似和简化分析特定工况下的物理化学作用,变工况下呈现的是低精度非稳定预测。数据驱动的方法主要以传统机器学习和深度学习为主。
传统机器学习方法由于模型复杂度的限制,通常针对磨损三个阶段性进行建模,只能实现低精度稳定预测。深度学习方法在模型训练阶段需要大量样本和标签作为支撑,实际加工中受到标注效率和成本的限制,数据标签稀疏,只能实现小工况变化下的高精度非稳定预测。
目前,一种最新的有效预测方法是元学习,该方法可以实现大工况变化下的高精度预测,但是由于模型的元参数是基于训练集数据优化得到的一个固定值,当变化较大的测试任务样本很少时,一旦固定值和新任务的最优参数相距过大,将会导致预测结果的方差过大,预测稳定性难以保证。
发明内容
本发明的目的是:针对数控加工过程小样本、大工况变化的实际特性,现有方法无法获取有效的先验信息,从而影响刀具磨损预测稳定性的问题,提供一种基于分层元学习的刀具磨损稳定预测方法。
本申请提供了一种基于分层元学习的刀具磨损稳定预测方法,所述方法包括:
步骤1,数据采集与处理,采集并处理切削力、振动、电流和功率传感器监测信号数据作为模型输入,同时采集并处理刀具磨损量值数据作为模型标签;
步骤2,建立分层元学习模型,通过建立分层贝叶斯图模型确定小样本、大工况变化复杂环境下的预测模型参数关系,根据参数关系推导设计变分推断网络,获得元参数的概率分布,依据概率分布多次采样确定最优元参数;
步骤3,基于分层元学习模型实现小样本、大工况复杂环境下数控加工刀具磨损的稳定预测;
步骤4,采用概率近似正确贝叶斯泛化理论计算基于分层元学习的刀具磨损稳定预测的泛化误差。
优选地,步骤1中数据采集与处理,具体是:
采集切削力、数控机床主轴振动、主轴电流和主轴功率传感器获得的与刀具磨损相关性较强的信号,以及刀具后刀面最大磨损宽度VBmax,通过剔除、补全的方式修复异常数据,通过特征变换和归一化处理降低数据冗余度,提高模型输入数据和标签数据的质量。
优选地,步骤2具体包括:
建立分层元学习的层次贝叶斯图模型、推导元模型的变分下界、设计元参数的推断网络三个步骤。
优选地,针对建立分层元学习的分层贝叶斯图模型,表示元模型的基任务及参数,根据元模型的层次贝叶斯图模型,获得模型的d-分离性质。
优选地,针对推导元模型的变分下界,依据元模型的d-分离性质,采用有监督回归下的变分推断方法获得任务条件概率的变分下界。
优选地,针对设计元参数的推断网络,通过最大化条件概率的变分下界设计元任务的损失函数。
优选地,步骤3具体是:
采用分层元学习模型进行刀具磨损预测,模型的输入是处理后的监测信号,模型的输出是处理后的刀具磨损量,训练时提供变工况数控加工环境下的输入输出数据获得变工况刀具磨损预测模型,测试时提供与训练数据边缘分布不同的少量输入输出数据用于预测小样本、大工况变化复杂环境下的预测稳定性。
优选地,步骤4具体是:
表示出分层元学习模型在数控加工刀具磨损过程数据集上的期望风险和经验风险,将泛化边界定义为期望和经验风险的绝对差距,通过概率近似正确贝叶斯泛化理论推导得出设定置信度下的泛化上界,给出刀具磨损预测下的泛化分析。
本申请的有益技术效果:
1)本发明可以根据少量加工数据调整模型的先验信息,提高变工况下刀具磨损量预测结果的稳定性;
2)量化了变工况下预测结果的最大泛化误差,可以表示出预测结果的精确程度;
3)不仅适用于刀具磨损预测,也适用于其他变环境下的稳定预测。
附图说明
图1(a)是典型元学习模型的原理图;
图1(b)是本发明方法分层元学习模型的原理图;
图2(a)是分层元学习模型框架;
图2(b)是分层元学习的层次贝叶斯图模型;
图3是本发明所述的分层元学习算法流程图。
具体实施方式
下面结合附图1-3和具体实施例对本申请进行详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请提供了一种基于分层元学习的刀具磨损稳定预测方法,典型元学习模型和本发明分层元学习模型的原理图如图1所示。典型元学习采用直接取期望的方式获取元参数如图1(a)所示,是元任务模型参数分布,/>是基任务模型初始化参数,/>是基任务模型。本发明分层元学习模型从概率分布中多次采样取最优的方式获得元参数如图1(b)所示,/>是由第k次采样初始化的基任务模型。基于分层元学习的刀具磨损稳定预测方法具体步骤如下:
步骤1,数据采集与处理,采集并处理切削力、振动、电流和功率传感器监测监测信号作为模型输入,同时采集并处理刀具磨损量值数据作为模型标签。
步骤2,建立分层元学习模型,通过建立分层贝叶斯图模型确定小样本、大工况变化复杂环境下的预测模型参数关系,根据参数关系推导设计变分推断网络,获得元参数的概率分布,依据概率分布多次采样确定最优元参数。
步骤3,基于分层元学习模型实现小样本、大工况复杂环境下数控加工刀具磨损的稳定预测。
步骤4,采用概率近似正确贝叶斯泛化理论计算基于分层元学习的刀具磨损稳定预测的泛化误差。
具体来讲:本发明所述的基于分层元学习的刀具磨损稳定预测方法,采集切削力、数控机床主轴振动、主轴电流和主轴功率传感器获得的与刀具磨损相关性较强的信号,以及刀具后刀面最大磨损宽度VBmax,通过剔除、补全的方式修复异常数据,通过特征变换和归一化处理降低数据冗余度,提高模型输入数据和标签数据的质量。
其中,本发明基于分层元学习的预测模型包括建立分层元学习的层次贝叶斯图模型、推导元模型的变分下界、设计元参数的推断网络三个步骤。
其中,本发明针对建立分层元学习的层次贝叶斯图模型,表示元模型的基任务及参数,从概率角度分析元学习模型中各个变量之间的关联关系,根据元模型的层次贝叶斯图模型,获得模型的d-分离性质。
其中,本发明所述的基于元学习的刀具磨损预测模型由SNA和SNB两个子网络构成,如图2(a)所示。
进一步,IFS是由一对子网络SNA和SNB学得的不变特征空间,IFSnew是测试的新工况与训练的已知工况配对学得的不变特征空间,MIFS是由多个IFS学得的元不变特征空间,和/>是两个子网络的输入,即监测信号特征张量,/>和/>是两个子网络的输出,即刀具磨损量张量/>和/>和/>是两个子网络的参数,/>是内层基任务模型的参数,/>是外层元任务模型的参数。i表示元学习的第i个任务,j表示每个任务中的第,个样本点。
其中,各个变量采样的概率分布表示如下:
根据本发明所述的层次贝叶斯图模型,如图2(b)所示。灰色节点表示观测变量,白色节点表示未观测变量,阴影节点表示半观测节点,和/>是两个子网络的输入,/>和/>是两个子网络的输出。在元测试阶段,基任务模型参数/>受到先验分布/>和两个子网络参数/>的影响,子网络参数/>受到训练数据xStr,yStr和验证数据xSval,ySval的影响,子网络参数/>受到训练数据xTtr,yTtr的影响。验证的输入和输出xTval是加工过程中的监测信号特征,属于观测变量,验证的输出yTval是加工过程中的刀具磨损量,需要通过模型预测得到,属于未被观测的变量。通过层次贝叶斯图模型分析得出模型的d-分离性质如下:
在本发明所述的变分下界中,模型的损失函数等价于模型的负对数似然,子网络SNA训练和测试的对数似然和子网络SNB训练和测试的对数似然/> 分别对应由/>和/>参数化的网络的预测损失函数与重构损失函数之和,即/>和/>两个子网络的不变特征空间的对数似然/>对应两者的匹配损失LM。/>项的/>可用一个狄拉克分布/>表示,/>的最大后验值通过对/>进行梯度下降获得,项的优化分布/>未知,本发明用一个被广泛认为合理的均值为/>方差为/>的高斯分布表达。变分下界中的期望项可以通过MIFS相关损失确定地表示出来,剩余四个熵的值,前三个熵涉及的参数/>均可以通过基任务的模型网络确定,最后一个熵与期望对应的损失需要通过推导设计确定。
本发明所述的KL项非负,通过推导将最大化期望与熵的和转化为最小化KL项,加入到原来的元学习模型损失函数中共同优化。采用高斯分布表示元参数分布,训练集上的优化分布P是一个高斯分布,验证集上的近似分布Q也是相同类型的分布。P和Q的形式如下,其中,是分布Q和P的初始化均值,vQ和/>分别是分布Q和P的方差,都是元任务模型的待学习参数,γQ和γP分别是分布Q和P均值更新的学习率,/>和/>分别是在分布Q和P上采样参数/>基础上计算的基任务模型损失。
Claims (8)
1.一种基于分层元学习的刀具磨损稳定预测方法,其特征在于,所述方法包括:
步骤1,数据采集与处理,采集并处理切削力、振动、电流和功率传感器监测信号数据作为模型输入,同时采集并处理刀具磨损量值数据作为模型标签;
步骤2,建立分层元学习模型,通过建立分层贝叶斯图模型确定小样本、大工况变化复杂环境下的预测模型参数关系,根据参数关系推导设计变分推断网络,获得元参数的概率分布,依据概率分布多次采样确定最优元参数;
步骤3,基于分层元学习模型实现小样本、大工况复杂环境下数控加工刀具磨损的稳定预测;
步骤4,采用概率近似正确贝叶斯泛化理论计算基于分层元学习的刀具磨损稳定预测的泛化误差。
2.根据权利要求1所述的基于分层元学习的刀具磨损稳定预测方法,其特征在于,步骤1中数据采集与处理,具体是:
采集切削力、数控机床主轴振动、主轴电流和主轴功率传感器获得的与刀具磨损相关性较强的信号,以及刀具后刀面最大磨损宽度VBmax,通过剔除、补全的方式修复异常数据,通过特征变换和归一化处理降低数据冗余度,提高模型输入数据和标签数据的质量。
3.根据权利要求2所述的基于分层元学习的刀具磨损稳定预测方法,其特征在于,步骤2具体包括:
建立分层元学习的层次贝叶斯图模型、推导元模型的变分下界、设计元参数的推断网络三个步骤。
4.根据权利要求3所述的基于分层元学习的刀具磨损稳定预测方法,其特征在于,针对建立分层元学习的分层贝叶斯图模型,表示元模型的基任务及参数,根据元模型的层次贝叶斯图模型,获得模型的d-分离性质。
5.根据权利要求3所述的基于分层元学习的刀具磨损稳定预测方法,其特征在于,针对推导元模型的变分下界,依据元模型的d-分离性质,采用有监督回归下的变分推断方法获得任务条件概率的变分下界。
6.根据权利要求3所述的基于分层元学习的刀具磨损稳定预测方法,其特征在于,针对设计元参数的推断网络,通过最大化条件概率的变分下界设计元任务的损失函数。
7.根据权利要求1所述的基于分层元学习的刀具磨损稳定预测方法,其特征在于,步骤3具体是:
采用分层元学习模型进行刀具磨损预测,模型的输入是处理后的监测信号,模型的输出是处理后的刀具磨损量,训练时提供变工况数控加工环境下的输入输出数据获得变工况刀具磨损预测模型,测试时提供与训练数据边缘分布不同的少量输入输出数据用于预测小样本、大工况变化复杂环境下的预测稳定性。
8.根据权利要求1所述的基于分层元学习的刀具磨损稳定预测方法,其特征在于,步骤4具体是:
表示出分层元学习模型在数控加工刀具磨损过程数据集上的期望风险和经验风险,将泛化边界定义为期望和经验风险的绝对差距,通过概率近似正确贝叶斯泛化理论推导得出设定置信度下的泛化上界,给出刀具磨损预测下的泛化分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211619329.7A CN116204774A (zh) | 2022-12-14 | 2022-12-14 | 一种基于分层元学习的刀具磨损稳定预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211619329.7A CN116204774A (zh) | 2022-12-14 | 2022-12-14 | 一种基于分层元学习的刀具磨损稳定预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116204774A true CN116204774A (zh) | 2023-06-02 |
Family
ID=86508421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211619329.7A Pending CN116204774A (zh) | 2022-12-14 | 2022-12-14 | 一种基于分层元学习的刀具磨损稳定预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116204774A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680554A (zh) * | 2023-06-19 | 2023-09-01 | 扬州大学 | 一种基于概率化元学习模型的旋转机械寿命预测方法 |
-
2022
- 2022-12-14 CN CN202211619329.7A patent/CN116204774A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680554A (zh) * | 2023-06-19 | 2023-09-01 | 扬州大学 | 一种基于概率化元学习模型的旋转机械寿命预测方法 |
CN116680554B (zh) * | 2023-06-19 | 2024-04-19 | 扬州大学 | 一种基于概率化元学习模型的旋转机械寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Patange et al. | A machine learning approach for vibration-based multipoint tool insert health prediction on vertical machining centre (VMC) | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
Murphree | Machine learning anomaly detection in large systems | |
CN112069310A (zh) | 基于主动学习策略的文本分类方法及系统 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN115351601B (zh) | 一种基于迁移学习的刀具磨损监测方法 | |
CN116204774A (zh) | 一种基于分层元学习的刀具磨损稳定预测方法 | |
CN110889260B (zh) | 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质 | |
CN114500004A (zh) | 一种基于条件扩散概率生成模型的异常检测方法 | |
Li et al. | A hybrid remaining useful life prediction method for cutting tool considering the wear state | |
CN116805051A (zh) | 基于注意力机制的双卷积动态域适应设备故障诊断方法 | |
CN108984851B (zh) | 一种带时延估计的加权高斯模型软测量建模方法 | |
CN114861522A (zh) | 一种基于人工智能元学习技术的精密制造质量监测方法和装置 | |
CN117784710A (zh) | 数控机床远程状态监控系统及其方法 | |
CN113379135A (zh) | 基于云边协同计算的智能生产线产品质量低延迟集成预测方法和系统 | |
CN117351659A (zh) | 一种水文地质灾害监测装置及监测方法 | |
CN113203953A (zh) | 基于改进型极限学习机的锂电池剩余使用寿命预测方法 | |
EP2196952A2 (en) | Method for classifying data in system with limited memory | |
Pradeep et al. | Optimal Predictive Maintenance Technique for Manufacturing Semiconductors using Machine Learning | |
Amar Bouzid et al. | CNC milling cutters condition monitoring based on empirical wavelet packet decomposition | |
Lööv | Comparison of undersampling methods for prediction of casting defects based on process parameters | |
US11475255B2 (en) | Method for adaptive context length control for on-line edge learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |