CN116975731B - 一种基于迁移学习的跨域刀具破损监测方法及系统 - Google Patents
一种基于迁移学习的跨域刀具破损监测方法及系统 Download PDFInfo
- Publication number
- CN116975731B CN116975731B CN202310994189.XA CN202310994189A CN116975731B CN 116975731 B CN116975731 B CN 116975731B CN 202310994189 A CN202310994189 A CN 202310994189A CN 116975731 B CN116975731 B CN 116975731B
- Authority
- CN
- China
- Prior art keywords
- domain
- cross
- transfer learning
- monitoring
- coarse
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013526 transfer learning Methods 0.000 title claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000013508 migration Methods 0.000 claims description 21
- 230000005012 migration Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 238000003801 milling Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005520 cutting process Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 101100533306 Mus musculus Setx gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001507 sample dispersion Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明提供了一种基于迁移学习的跨域刀具破损监测方法及系统，本发明即保留了训练数据的先验分布结构属性，又最小化了不同域样本之间的分布差异和类内样本分散程度。进而在目标域无破损样本的情况下有效地将源域知识迁移到目标域中以训练跨域监测模型；另外，本发明还利用改进的多尺度符号动态熵不依赖机床和刀具参数，并缓解了传统的基于均值的粗粒化过程丢失有用信息的缺陷。
Description
技术领域
本发明属于刀具破损监测技术领域，涉及一种基于迁移学习的跨域刀具破损监测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
铣削是现代工业的主要制造工艺之一，铣刀是铣削系统的关键元件。在铣削过程中，刀刃磨损严重，加工条件不当，加工余量不均等因素均会导致铣刀所受循环冲击载荷突然变大，进而导致刀具破损。铣削过程中若不能及时发现并更换破损刀具，将会导致工件损坏、机床故障甚至危及操作人员的安全。因此，为了避免加工过程中的灾难性事故，刀具破损监测技术的研究和应用至关重要。
当前刀具破损检测的两种主流方法为：直接检测和间接检测方法。直接检测依靠机器视觉直接测量切削刃几何形状的变化，但会受到切削液和光照条件的影响，因此需要停机检测，无法在线应用。使用切削力、振动和电流等与刀具密切相关的物理信号的数据驱动的间接检测方法对在线检测是实用的。已有的间接刀具破损监测方法在采集到信号后从中提取信号异常峰值周期数，频域融合特征和平均频率等特征并输入到机器学习分类模型中构造刀具破损监测模型。然而，上述方法的计算依赖于机床与刀具的相关参数，比如主轴转速与刀具齿数。
包括支持向量机(SVN)，k-最近邻(KNN)和人工神经网络(ANN)等传统的机器学习分类模型在训练集和测试集的特征分布一致的情况下可以有效检测固定切削条件下的刀具破损。但切削条件的变化会导致信号特性的变化，进而导致特征分布的变化。因此，已有刀具破损监测方法在识别来自新分布的样本时面临挑战，需对模型进行重新训练。然而，模型的再训练需要大量包含所有类别的标记样本。不幸的是，由于生产过程中实施严格的安全限制，难以在各种工况下获得足够数量的破损样本。因此，在变化的工况(即目标域)中无法获得足够数量的破损样本已成为限制刀具破损系统在实际工业生产中应用的主要障碍。
在相同的加工类型下，加工过程的工作原理是相似的，因此待预测的新数据与历史训练数据包含相似的特征信息。基于特征的迁移学习旨在通过将一个领域(即源域)的丰富知识应用到另一个相关但不同的新领域(即目标域)中来训练跨域监测模型。这意味着在刀具破损监测中的训练数据和测试数据可以有不同的分布，因此迁移学习可以用于解决目标域样本难以获取的问题。然而，包括迁移成分分析(TCA)，联合分布适应(JDA)和迁移联合匹配(TJM)等的已有迁移学习方法的应用前提均为目标域中包含所有类别的大量未标记可用数据。在实际生产中训练刀具破损监测模型时，通常只能成功采集到目标域正常样本。因此，上述方法无法有效地应用于跨域刀具破损监测。同时，上述方法的应用环境均为工况稳定的轴承故障诊断，未考虑复杂铣削过程引起的类间边缘样本重叠问题。
发明内容
本发明为了解决上述问题，提出了一种基于迁移学习的跨域刀具破损监测方法及系统，本发明即保留了训练数据的先验分布结构属性，又最小化了不同域样本之间的分布差异和类内样本分散程度。进而在目标域无破损样本的情况下有效地将源域知识迁移到目标域中以训练跨域监测模型；另外，本发明还利用改进的多尺度符号动态熵不依赖机床和刀具参数，并缓解了传统的基于均值的粗粒化过程丢失有用信息的缺陷。
根据一些实施例，本发明采用如下技术方案：
一种基于迁移学习的跨域刀具破损监测方法，包括以下步骤：
获取铣削过程相关振动信号；
利用改进的多尺度符号动态熵从进给方向的振动信号中提取特征，并构造包含源域所有类别样本和目标域正常样本的迁移学习模型训练样本集以及包含目标域所有类别样本的监测模型测试集；
多尺度符号动态熵的改进过程包括将进给方向的振动信号构成的时间序列转换为符号时间序列，并将符号时间序列按尺度划分为不重叠的片段；
计算每个片段中数据的不同类型的粗粒度时间序列；
计算各尺度上不同类型粗粒度时间序列的符号动态熵；
将各个符号动态熵融合，形成最终的多尺度符号动态熵；
利用迁移学习模型获得映射矩阵，进而计算通用特征表示，将源域的知识应用到目标域中；
基于训练样本集的通用特征表示训练跨域刀具破损监测模型；
利用迁移学习模型计算测试集的通用特征表示并输入跨域刀具破损监测模型，实现跨域刀具破损监测。
作为可选择的实施方式，所述片段为等长片段。
作为可选择的实施方式，所述不同类型粗粒度时间序列包含基于均值的粗粒度时间序列、基于均方根值的粗粒度时间序列以及基于最大值的粗粒度时间序列。
作为可选择的实施方式，计算各尺度上不同类型粗粒度时间序列的符号动态熵的具体过程包括基于相空间嵌入理论将时间序列重构为一系列嵌入向量，所述嵌入向量和嵌入维度与时延相关；
根据嵌入向量的状态模式概率和状态转换概率计算符号动态熵。
作为可选择的实施方式，所述迁移学习模型构建过程包括基于局部保持投影构建约束项，基于非参数距离估计方法构建最大均值差异的约束项，通过源域和目标域中各类样本的类中心计算相应约束项，计算正则化约束项，基于上述所有约束项，分别配置相应的权重，以对应之和最小为目标函数，形成迁移学习模型。
作为可选择的实施方式，在无目标域破损样本的情况下衡量迁移学习模型的性能并与贝叶斯优化结合对迁移学习模型参数进行参数寻优，寻优过程中，以最大均值差异距离作分子，数据中心-类-中心距离作分母，得到的比值最小为贝叶斯优化目标函数。
作为可选择的实施方式，将迁移学习模型输出的训练样本集的通用特征表示输入至跨域刀具破损监测模型，以训练刀具破损跨域监测模型，所述跨域刀具破损监测模型为决策树分类器。
一种基于迁移学习的跨域刀具破损监测系统，包括：
信号获取模块，被配置为获取铣削过程相关振动信号；
特征提取模块，被配置为利用改进的多尺度符号动态熵从进给方向的振动信号中提取特征，并构造包含源域所有类别样本和目标域正常样本的迁移学习模型训练样本集以及包含目标域所有类别样本的监测模型测试集；
多尺度符号动态熵的改进过程包括将进给方向的振动信号构成的时间序列转换为符号时间序列，并将符号时间序列按尺度划分为不重叠的片段；
计算每个片段中数据的不同类型的粗粒度时间序列；
计算各尺度上不同类型粗粒度时间序列的符号动态熵；
将各个符号动态熵融合，形成最终的多尺度符号动态熵；
迁移学习模块，被配置为利用迁移学习模型获得映射矩阵，进而计算通用特征表示，将源域的知识应用到目标域中；
破损监测模块，被配置为基于训练样本集的通用特征表示训练跨域刀具破损监测模型，利用迁移学习模型计算测试集的通用特征表示并输入跨域刀具破损监测模型，实现跨域刀具破损监测。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述方法中的步骤。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明提出的迁移学习模型，基于局部保持投影构建约束项，基于非参数距离估计方法构建最大均值差异的约束项，通过源域和目标域中各类样本的类中心计算相应约束项，计算正则化约束项，即保留了训练数据的先验分布结构属性，又最小化了不同域样本之间的分布差异和类内样本分散程度，能够在目标域无破损样本的情况下有效地将源域知识迁移到目标域中以训练跨域监测模型。
本发明提出的用于衡量迁移学习模型的目标函数无需目标域破损样本参与即可实现迁移学习模型参数的优化，解决了已有方法参数优化依赖于监测模型识别目标域故障样本的缺陷，更适用于实际应用。
本发明提出的改进的多尺度符号动态熵，分别计算基于均值，RMS和最大值的粗粒度序列代替基于均值的粗粒度时间序列的符号动态熵，最终融合成一个特征向量，不依赖机床和刀具参数，并缓解了传统的仅仅基于均值的粗粒化过程丢失有用信息的缺陷。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是跨域刀具破损监测框架概述；
图2是实验用刀具状态示意图；
图3是提出的改进的多尺度符号动态熵的不同刀具状态的误差棒图；
图4是原始特征与迁移学习模型输出的通用特征表示的二维可视化图；
图5是提出的方法在跨域监测时的准确率柱状图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种基于迁移学习的跨域刀具破损监测方法，如图1所示，其具体步骤包含：
步骤S1，通过安装在机床主轴非旋转部分的加速度传感器(本实施例中选择传感器的型号为Dytran 3263A2，灵敏度100mv/g)感知铣削过程相关振动信号，并通过数据采集系统(DH5922D)采集，采集的信号通过千兆网线传输至计算机中；
步骤S2，通过提出的改进的多尺度符号动态熵(IMSDE)从进给方向的振动信号中提取特征，并构造包含源域所有类别样本和目标域正常样本的迁移学习模型训练样本集以及包含目标域所有类别样本的监测模型测试集；
步骤S2中，改进的多尺度符号动态熵的计算包括以下步骤：
步骤S2.1，将给定的时间序列G转换为符号时间序列S＝{s1,s2,…,sN}，并将符号时间序列按尺度τ划分为不重叠的等长片段。计算每个片段中数据的多个统计值组成不同类型的粗粒度时间序列，如下：
基于均值的粗粒度时间序列：
基于均方根值(RMS)的粗粒度时间序列：
基于最大值的粗粒度时间序列：
步骤S2.2，计算各尺度上不同类型粗粒度序列的符号动态熵(SDE)，以原始符号时间序列(即τ＝1)为例，符号动态熵的计算包括以下子步骤：
步骤S2.2.1，基于相空间嵌入理论将序列S＝{s1,s2,…,sN}重构为一系列嵌入向量，如下：
其中m表示嵌入维度，λ表示时延，ri(m)是嵌入向量，R(m)是嵌入向量组成的矩阵。
步骤S2.2.2，根据嵌入向量的状态模式概率和状态转换概率计算符号动态熵，公式为:
其中σb为时间序列中各元素对应的符号，ε为符号的个数，为嵌入向量的状态，a是嵌入向量各状态的计数，b是嵌入向量状态转换类型的计数。/>和分别表示嵌入向量的状态模式和状态转换的概率。
步骤S2.2.3，计算改进的多尺度符号动态熵，如下：
IMSDE(G,τ,m,λ,ε)＝SDE(uτ,m,λ,ε)
其中，uτ表示尺度τ用于代替传统的基于均值的粗粒度序列的各种粗粒度序列，即在各尺度基于不同类型粗粒度序列计算SDE并融合为IMSDE。
本发明中实验用刀具如图2所示，相应的切削参数Test1为主轴转速：600,1200和1800rpm，进给速度：60mm/min，轴向切削深度：2mm，径向切削深度：2mm；切削参数Test2为为主轴转速：600,1200和1800rpm，进给速度：120mm/min，轴向切削深度：2mm，径向切削深度：2mm。
在本发明中，IMSDE的计算参数被设置为：嵌入维度m＝2，时延λ＝1，符号数ε＝25。
通过步骤S2提取出的IMSDE特征如图3所示，为了更好地说明该方法在高尺度上的优势，图中各信号样本包含4000样本点，尺度因子τ＝10。从图3可以看出该方法能够提取出区分性能良好的特征，且随着尺度的增大，信号中的有效信息未被丢失。
步骤S3，在获得原始IMSDE特征集后，通过迁移学习模型获得映射矩阵来计算通用特征表示。进而将一个领域(即源域)的丰富知识应用到相关但不同的新领域(即目标域)。源域和目标域分别定义为Ds＝{Xs,Ys}和Dt＝{Xt,Yt}。和分别表示源域和目标域中的样本集，/>和分别表示Xs和Xt的标签向量。ns和nt分别表示源域和目标域中特征样本的数量。
迁移学习模型的总目标函数如下：
L＝＝LLPP+μLMMD+ρLCSD+γLR
其中LLPP项用于保留训练数据的先验分布结构。LMMD项的作用是减少两个域之间的差值，其权衡参数为μ>0。LCSD项用于减小类内样本与其类中心之间的距离，其权衡参数为ρ>0。LR项用于防止模型过拟合，其权衡参数γ>0。
步骤S3中，迁移学习模型的构建主要包含六个子步骤：
步骤S3.1，基于局部保持投影(LPP)构建约束项LLPP。给定一个训练样本集xi∈X是特征样本。通过学习一个变换矩阵V＝[v1,v2,…,vl]∈Rd×l，原始特征样本xi被映射到新的l(l<d)维特征空间z(xi)＝VTxi∈Rl×1。局部保持投影的目标函数为：
其中Wij是连接xi和xj的权重，计算公式如下：
其中，dij代表样本xi与xj之间的距离，σ是热核函数的参数。xi与xj拥有近邻关系意味着它们可以被KNN识别为拥有相同的标签。
距离dij是基于余弦距离计算的，如下：
通过定义图拉普拉斯矩阵L，LPP的目标函数被矩阵化为：
s.t.VTXDXTV＝I
其中，tr(·)为矩阵的迹，D为对角矩阵且Dii＝∑jWij。I是一个单位矩阵，图拉普拉斯矩阵L＝D–W。根据核映射核矩阵K＝φ(X)Tφ(X)和定理V＝φ(X)A，其中矩阵A是新特征空间中的映射矩阵。基于核LPP的LLPP项定义为：
LLPP＝tr(ATKLKTA)
步骤S3.2，基于非参数距离估计方法—最大均值差异(MMD)构建约束项LMMD。根据核LPP降维后的特征表示z(xi)＝ATφ(X)Tφ(xi)，LMMD项的定义如下：
其中C为两个域之间的共享标签数量，c＝1为正常样本。ns,c和nt,c分别表示不同域中标签为c的样本的数量。和/>分别表示不同域中标签为c的样本。矩阵Mc的计算公式如下:
其中，表示标签c对应的源域，/>表示标签c对应的目标域。令LMMD重新表示为LMMD＝tr(ATKMKTA)。
步骤S3.3，通过定义类中心提出约束项LCSD。该约束项的主要作用为增大各类样本的类内聚集程度，进而缓解复杂铣削中各类间边缘样本重叠问题。各域中各类样本的类中心如下：
其中和/>分别表示源域和目标域中标签为c的子集的类中心，/>和/>分别表示源域和目标域中标签为c的子集。/>和/>是全为1的向量。
基于包含源域所有类别样本和目标域正常样本的训练样本集的LCSD定义为：
矩阵MCSD的计算如下：
其中，和/>为全1矩阵。
步骤S3.4，正则化约束项的定义。正则化项LR可以通过限制模型参数来控制模型的复杂度，从而降低过拟合的风险，定义为：
LR＝tr(ATA)
步骤S3.5，总目标函数的构造和求解。基于上述子步骤，总目标函数的构造如下：
其中，约束ATKHKTA＝I是从主成分分析(PCA)中推导获得的，旨在最大化数据方差，矩阵H的计算为
根据约束优化理论，引入拉格朗日乘子θ＝diag(θ1,θ2,...,θh)∈Rh×h，进而推导出总目标函数的拉格朗日函数:
L(A,θ)＝tr(ATK(L+μM+ρMCSD+γI)KTA)+tr((I-ATKHKTA)θ)
令L(A,θ)对A的导数为零，可得到广义特征分解:
K(L+μM+ρMCSD+γI)KTA＝KHKTAθ
通过计算上式的前h个最小特征向量，可以得到变换矩阵A。对于训练数据集X之外的样本x，其在新特征空间中的特征表示为z(x)＝ATφ(X)Tφ(x)
步骤S3.6，通过提出的一种基于数据中心和类中心的目标函数以在无目标域破损样本的情况下衡量迁移学习模型的性能并与贝叶斯优化结合对迁移学习模型参数进行参数寻优。
令伪目标域样本数据集为其中X's表示源域破碎样本的子集，n's是源域破碎样本的个数。源域和目标域中的数据中心定义为:
其中为源域数据中心，/>为目标域数据中心。xi'∈X's为用于代替目标域破碎样本来计算目标域数据中心的源域破碎样本。
数据中心-类-中心距离(DDCD)的计算如下：
两个域内同类样本间的MMD距离(DMMD)的计算如下：
提出的用于贝叶斯优化的目标函数为DMMD与DDCD和的比值，分子为DMMD，分母为DDCD。
在本实施例中，核映射通过高斯核函数实现，热核函数的参数σ＝1，其余需要通过贝叶斯及提出的目标函数优化的迁移学习模型参数及其选取范围如下：
高斯核函数的带宽δ的选取范围为[10-3,10]，降维后的特征维度l的选取范围为[2,4]，KNN分类器中最近邻居的数量k的选取范围为[2,6]，LLPP项的权衡因子μ的选取范围是[10-3,103]，LMMD项的权衡因子ρ的选取范围是[10-3,103]，LR的权衡因子γ的选取范围是[10-3,102]。
在本实施例中，定义了六种监测任务：A→B,B→A,A→C,C→A,B→C和C→B。其中，A→B表示以A作为源域，B作为目标域，并通过A中所有类别的样本和B中正常样本构造迁移学习模型。
在本实施例中，如图4的(a)给出了Test1中原始IMSDE的二维t-SNE可视化，图4的(b)给出了Test1中监测任务A→B迁移学习模型输出的通用特征表示。为了符合在线监测的要求，这里每个信号样本包含1000样本点。从图4中可以看出，提出的迁移学习模型可以有效地减小不同域间的分布差异，进而实现跨域刀具破损监测。
步骤S4，基于训练样本集的通用特征表示训练跨域刀具破损监测模型，在本实施例中，跨域监测模型采用决策树分类器。将迁移学习模型训练样本集的通用特征表示输入决策树分类器以训练跨域刀具破损监测模型。
步骤S5，通过迁移学习模型计算测试集的通用特征表示并输入跨域监测模型，实现跨域刀具破损监测。图5给出了Test1和Test2中六个跨域监测任务的识别准确率，各类样本均有100个。从图5可以看出，本实施例提出的基于迁移学习的跨域刀具破损监测方法在无目标域破损样本的情况下能够有效实现刀具破损的监测。
上述实施例中的取值、选型等仅为示例性内容，在其他实施例中可以进行调整或替换。
本发明还提供以下产品实施例：
一种基于迁移学习的跨域刀具破损监测系统，包括：
信号获取模块，被配置为获取铣削过程相关振动信号；
特征提取模块，被配置为利用改进的多尺度符号动态熵从进给方向的振动信号中提取特征，并构造包含源域所有类别样本和目标域正常样本的迁移学习模型训练样本集以及包含目标域所有类别样本的监测模型测试集；
多尺度符号动态熵的改进过程包括将进给方向的振动信号构成的时间序列转换为符号时间序列，并将符号时间序列按尺度划分为不重叠的片段；
计算每个片段中数据的不同类型的粗粒度时间序列；
计算各尺度上不同类型粗粒度时间序列的符号动态熵；
将各个符号动态熵融合，形成最终的多尺度符号动态熵；
迁移学习模块，被配置为利用迁移学习模型获得映射矩阵，进而计算通用特征表示，将源域的知识应用到目标域中；
破损监测模块，被配置为基于训练样本集的通用特征表示训练跨域刀具破损监测模型，利用迁移学习模型计算测试集的通用特征表示并输入跨域刀具破损监测模型，实现跨域刀具破损监测。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述方法中的步骤。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于迁移学习的跨域刀具破损监测方法，其特征是，包括以下步骤：
获取铣削过程相关振动信号；
利用改进的多尺度符号动态熵从进给方向的振动信号中提取特征，并构造包含源域所有类别样本和目标域正常样本的迁移学习模型训练样本集以及包含目标域所有类别样本的监测模型测试集；
多尺度符号动态熵的改进过程包括将进给方向的振动信号构成的时间序列转换为符号时间序列，并将符号时间序列按尺度划分为不重叠的片段；
计算每个片段中数据的不同类型的粗粒度时间序列；具体的，所述不同类型粗粒度时间序列包含基于均值的粗粒度时间序列、基于均方根值的粗粒度时间序列以及基于最大值的粗粒度时间序列；
计算各尺度上不同类型粗粒度时间序列的符号动态熵；
将各个符号动态熵融合，形成最终的多尺度符号动态熵；
利用迁移学习模型获得映射矩阵，进而计算通用特征表示，将源域的知识应用到目标域中；
迁移学习模型的总目标函数如下：
其中，为基于局部保持投影（LPP）构建约束项，/>为基于非参数距离估计方法—最大均值差异（MMD）构建约束项，/>为通过定义类中心提出约束项，/>正则化约束项；权衡参数μ、ρ、γ均大于0；
在无目标域破损样本的情况下衡量迁移学习模型的性能并与贝叶斯优化结合对迁移学习模型参数进行参数寻优，寻优过程中，以最大均值差异距离作分子，数据中心-类-中心距离作分母，得到的比值最小为贝叶斯优化目标函数；
基于训练样本集的通用特征表示训练跨域刀具破损监测模型；
利用迁移学习模型计算测试集的通用特征表示并输入跨域刀具破损监测模型，实现跨域刀具破损监测。
2.如权利要求1所述的一种基于迁移学习的跨域刀具破损监测方法，其特征是，所述片段为等长片段。
3.如权利要求1所述的一种基于迁移学习的跨域刀具破损监测方法，其特征是，计算各尺度上不同类型粗粒度时间序列的符号动态熵的具体过程包括基于相空间嵌入理论将时间序列重构为一系列嵌入向量，所述嵌入向量和嵌入维度与时延相关；
根据嵌入向量的状态模式概率和状态转换概率计算符号动态熵。
4.如权利要求1所述的一种基于迁移学习的跨域刀具破损监测方法，其特征是，所述迁移学习模型构建过程包括基于局部保持投影构建约束项，基于非参数距离估计方法构建最大均值差异的约束项，通过源域和目标域中各类样本的类中心计算相应约束项，计算正则化约束项，基于上述所有约束项，分别配置相应的权重，以对应之和最小为目标函数，形成迁移学习模型。
5.如权利要求1所述的一种基于迁移学习的跨域刀具破损监测方法，其特征是，将迁移学习模型输出的训练样本集的通用特征表示输入至跨域刀具破损监测模型，以训练刀具破损跨域监测模型，所述跨域刀具破损监测模型为决策树分类器。
6.一种基于迁移学习的跨域刀具破损监测系统，其特征是，包括：
信号获取模块，被配置为获取铣削过程相关振动信号；
特征提取模块，被配置为利用改进的多尺度符号动态熵从进给方向的振动信号中提取特征，并构造包含源域所有类别样本和目标域正常样本的迁移学习模型训练样本集以及包含目标域所有类别样本的监测模型测试集；
多尺度符号动态熵的改进过程包括将进给方向的振动信号构成的时间序列转换为符号时间序列，并将符号时间序列按尺度划分为不重叠的片段；
计算每个片段中数据的不同类型的粗粒度时间序列；具体的，所述不同类型粗粒度时间序列包含基于均值的粗粒度时间序列、基于均方根值的粗粒度时间序列以及基于最大值的粗粒度时间序列；
计算各尺度上不同类型粗粒度时间序列的符号动态熵；
将各个符号动态熵融合，形成最终的多尺度符号动态熵；
迁移学习模块，被配置为利用迁移学习模型获得映射矩阵，进而计算通用特征表示，将源域的知识应用到目标域中；
迁移学习模型的总目标函数如下：
其中，为基于局部保持投影（LPP）构建约束项，/>为基于非参数距离估计方法—最大均值差异（MMD）构建约束项，/>为通过定义类中心提出约束项，/>正则化约束项；权衡参数μ、ρ、γ均大于0；
在无目标域破损样本的情况下衡量迁移学习模型的性能并与贝叶斯优化结合对迁移学习模型参数进行参数寻优，寻优过程中，以最大均值差异距离作分子，数据中心-类-中心距离作分母，得到的比值最小为贝叶斯优化目标函数；
破损监测模块，被配置为基于训练样本集的通用特征表示训练跨域刀具破损监测模型，利用迁移学习模型计算测试集的通用特征表示并输入跨域刀具破损监测模型，实现跨域刀具破损监测。
7.一种计算机可读存储介质，其特征是，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-5中任一项所述的方法中的步骤。
8.一种终端设备，其特征是，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-5中任一项所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310994189.XA CN116975731B (zh) | 2023-08-08 | 2023-08-08 | 一种基于迁移学习的跨域刀具破损监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310994189.XA CN116975731B (zh) | 2023-08-08 | 2023-08-08 | 一种基于迁移学习的跨域刀具破损监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116975731A CN116975731A (zh) | 2023-10-31 |
| CN116975731B true CN116975731B (zh) | 2024-02-20 |
Family
ID=88483046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310994189.XA Active CN116975731B (zh) | 2023-08-08 | 2023-08-08 | 一种基于迁移学习的跨域刀具破损监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116975731B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
| CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
| CN107991097A (zh) * | 2017-11-16 | 2018-05-04 | 西北工业大学 | 一种基于多尺度符号动力学熵的轴承故障诊断方法 |
| CN110443352A (zh) * | 2019-07-12 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 基于迁移学习的半自动神经网络调优方法 |
| CN111221778A (zh) * | 2020-04-14 | 2020-06-02 | 广东电网有限责任公司佛山供电局 | 一种低压用户与台区隶属关系的匹配方法 |
| CN112885468A (zh) * | 2021-01-26 | 2021-06-01 | 深圳大学 | 一种基于随机响应差分隐私技术的教师共识聚集学习方法 |
| CN113159105A (zh) * | 2021-02-26 | 2021-07-23 | 北京科技大学 | 一种驾驶行为无监督模式识别方法及数据采集监控系统 |
| CN113392983A (zh) * | 2021-06-29 | 2021-09-14 | 中国科学院自动化研究所 | 自动机器学习的超参数自适应寻优优化系统和方法 |
| CN113408703A (zh) * | 2021-06-29 | 2021-09-17 | 中国科学院自动化研究所 | 基于神经与符号的多模态大数据机器自动学习系统 |
| CN113728033A (zh) * | 2019-03-29 | 2021-11-30 | Ddp特种电子材料美国有限责任公司 | 化学改性的聚酯和其制造方法 |
| WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
| CN113890015A (zh) * | 2021-09-25 | 2022-01-04 | 三峡大学 | 基于改进模糊c均值聚类算法的配电网动态重构方法 |
| CN113988167A (zh) * | 2021-10-25 | 2022-01-28 | 北京神舟航天软件技术股份有限公司 | 一种基于神经架构搜索的数字化建模方法 |
| CN114091764A (zh) * | 2021-11-24 | 2022-02-25 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 气象预报要素订正方法、装置、计算机设备和存储介质 |
| CN114202921A (zh) * | 2021-12-09 | 2022-03-18 | 洛阳师范学院 | 交通流量的多尺度符号动态熵分析方法 |
| CN115185732A (zh) * | 2022-07-19 | 2022-10-14 | 南通大学 | 一种融合遗传算法和深度神经网络的软件缺陷预测方法 |
| CN115979602A (zh) * | 2022-12-16 | 2023-04-18 | 大连理工大学 | 一种基于多源域迁移学习的刀具状态智能监测方法 |
| CN116304824A (zh) * | 2023-03-21 | 2023-06-23 | 桂林航天工业学院 | 一种脑电信号的特征分类方法、装置、系统及介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050135586A1 (en) * | 2000-04-24 | 2005-06-23 | Amick John K. | Virtual environment software tool kit, common operating control method and computer program product for IP telephony |
| AU2009316749A1 (en) * | 2008-11-18 | 2011-06-30 | Baxter Healthcare S.A. | Methods of determining polydispersity and/or molecular weight distribution of a polyethylene glycol sample |
| CN109710636B (zh) * | 2018-11-13 | 2022-10-21 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
| US20230162023A1 (en) * | 2021-11-25 | 2023-05-25 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Automated Transfer Learning with Domain Disentanglement |
-
2023
- 2023-08-08 CN CN202310994189.XA patent/CN116975731B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
| CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
| CN107991097A (zh) * | 2017-11-16 | 2018-05-04 | 西北工业大学 | 一种基于多尺度符号动力学熵的轴承故障诊断方法 |
| CN113728033A (zh) * | 2019-03-29 | 2021-11-30 | Ddp特种电子材料美国有限责任公司 | 化学改性的聚酯和其制造方法 |
| CN110443352A (zh) * | 2019-07-12 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 基于迁移学习的半自动神经网络调优方法 |
| CN111221778A (zh) * | 2020-04-14 | 2020-06-02 | 广东电网有限责任公司佛山供电局 | 一种低压用户与台区隶属关系的匹配方法 |
| WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
| CN112885468A (zh) * | 2021-01-26 | 2021-06-01 | 深圳大学 | 一种基于随机响应差分隐私技术的教师共识聚集学习方法 |
| CN113159105A (zh) * | 2021-02-26 | 2021-07-23 | 北京科技大学 | 一种驾驶行为无监督模式识别方法及数据采集监控系统 |
| CN113408703A (zh) * | 2021-06-29 | 2021-09-17 | 中国科学院自动化研究所 | 基于神经与符号的多模态大数据机器自动学习系统 |
| CN113392983A (zh) * | 2021-06-29 | 2021-09-14 | 中国科学院自动化研究所 | 自动机器学习的超参数自适应寻优优化系统和方法 |
| CN113890015A (zh) * | 2021-09-25 | 2022-01-04 | 三峡大学 | 基于改进模糊c均值聚类算法的配电网动态重构方法 |
| CN113988167A (zh) * | 2021-10-25 | 2022-01-28 | 北京神舟航天软件技术股份有限公司 | 一种基于神经架构搜索的数字化建模方法 |
| CN114091764A (zh) * | 2021-11-24 | 2022-02-25 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 气象预报要素订正方法、装置、计算机设备和存储介质 |
| CN114202921A (zh) * | 2021-12-09 | 2022-03-18 | 洛阳师范学院 | 交通流量的多尺度符号动态熵分析方法 |
| CN115185732A (zh) * | 2022-07-19 | 2022-10-14 | 南通大学 | 一种融合遗传算法和深度神经网络的软件缺陷预测方法 |
| CN115979602A (zh) * | 2022-12-16 | 2023-04-18 | 大连理工大学 | 一种基于多源域迁移学习的刀具状态智能监测方法 |
| CN116304824A (zh) * | 2023-03-21 | 2023-06-23 | 桂林航天工业学院 | 一种脑电信号的特征分类方法、装置、系统及介质 |
Non-Patent Citations (6)
| Title |
|---|
| "Center transfer for supervised domain adaptation";Xiuyu Huang等;《Applied Intelligence》;第53卷;第18277-18293页 * |
| "Discriminative transfer feature learning based on robust-centers";Lei Li等;《Neurocomputing》;第500卷;第43-44页第3节 * |
| "基于多尺度迁移符号动力学熵和支持向量机的轴承诊断方法研究";于广伟等;《西北工业大学学报》;第41卷(第2期);第345-346页第1节 * |
| "基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断";杨小强等;《机电工程》;第40卷(第3期);第336-337页第1.1-1.2节 * |
| "小样本学习下的特征中心对齐域适应算法";陈春霞等;《计算机系统应用》;第32卷(第6期);第166-172页 * |
| "融合半监督学习的无监督遥感影像场景分类";白坤等;《测绘学报》;第51卷(第5期);第691-702页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116975731A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Azamfar et al. | Intelligent ball screw fault diagnosis using a deep domain adaptation methodology | |
| Wang et al. | Data-driven prognostic method based on self-supervised learning approaches for fault detection | |
| CN111829782B (zh) | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 | |
| Iliyas Ahmad et al. | Machine monitoring system: a decade in review | |
| Jia et al. | A deviation based assessment methodology for multiple machine health patterns classification and fault detection | |
| Li et al. | Similarity-measured isolation forest: anomaly detection method for machine monitoring data | |
| Maurya et al. | Condition monitoring of machines using fused features from EMD-based local energy with DNN | |
| Xiong et al. | Application of convolutional neural network and data preprocessing by mutual dimensionless and similar gram matrix in fault diagnosis | |
| CN103544499A (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
| Ou et al. | Tool wear recognition based on deep kernel autoencoder with multichannel signals fusion | |
| CN110765587A (zh) | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 | |
| CN109434562A (zh) | 基于划分聚类的铣削刀具磨损状态识别方法 | |
| CN112418065A (zh) | 设备运行状态识别方法、装置、设备及存储介质 | |
| Toshkova et al. | Automatic alarm setup using extreme value theory | |
| Żabiński et al. | CNC milling tool head imbalance prediction using computational intelligence methods | |
| Lee et al. | Early failure detection of paper manufacturing machinery using nearest neighbor‐based feature extraction | |
| Zheng et al. | Optimization-based improved kernel extreme learning machine for rolling bearing fault diagnosis | |
| Guo et al. | Process monitoring and fault prediction in multivariate time series using bag-of-words | |
| CN116975731B (zh) | 一种基于迁移学习的跨域刀具破损监测方法及系统 | |
| Yassaie et al. | Data-Driven Fault Classification in Large-Scale Industrial Processes Using Reduced Number of Process Variables | |
| Seevers et al. | Automatic detection of manufacturing equipment cycles using time series | |
| Cohen et al. | Machine learning for diagnosis of event synchronization faults in discrete manufacturing systems | |
| CN113033683B (zh) | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 | |
| Deja | SISSA: Using Machine Learning techniques for Data Quality Monitoring in CMS and ALICE experiments | |
| Zhao et al. | System informatics: From methodology to applications |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |