[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

权利要求书

1.一种基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，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。

2.根据权利要求1所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，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；

S124：通过最小化损失函数来调整模型参数，经过多次迭代后，最终得到特征提取模型以及非线性回归模型。

3.根据权利要求1或2所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述S13进一步包括：

S31：对所述新类刀具样本的数据进行预处理，构造用于新类的特征提取模型训练的时间序列数据集；

S32：利用历史类的特征提取模型的网络参数对新类的特征提取模型进行初始化，并分别将历史类和新类刀具样本数据集输入到两个特征提取网络中，进行历史类和新类样本数据的时间序列特征提取；

S33：将所述S32提取得到的时间序列特征输入到辨别器网络中，得到历史类和新类刀具切削加工过程信号对应的域标签；基于域标签，分别计算辨别器D和新类刀具样本的特征提取模型的损失：

L_advD＝-E[log D(M_s(x_s))]-E[log(1-D(M_t(x_t)))]

L_advG＝-E[log(D(M_t(x_t)))]

其中，L_advD为生成器损失，L_advG为辨别器损失，x_t为新类刀具样本数据，M_t(·)为新类信号特征提取网络，x_s为历史类刀具样本数据，M_s(·)为历史类信号特征提取网络，D(·)为辨别器网络，E(·)表示数学期望；

S34：最小化所述S33中得到的损失以实现辨别器和生成器网络参数的调整和更新，直到损失不发生变化，辨别器无法分辨信号来自历史类刀具样本还是新类刀具样本，此时完成新类样本的特征提取模型的构建。

4.根据权利要求1或2所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述S11中的采集不同类型刀具切削加工过程的数据进一步包括：利用刀具状态监测系统、刀具管理系统收集不同工艺条件下刀具切削加工过程的数据；

其中，所述刀具切削加工过程的数据包括：机床型号、工件信息、刀具信息、切削参数以及功率信号和/或声发射信号实时监测数据。

5.根据权利要求3所述的基于对抗迁移学习的刀具剩余寿命预测方法，其特征在于，所述S11中的采集不同类型刀具切削加工过程的数据进一步包括：利用刀具状态监测系统、刀具管理系统收集不同工艺条件下刀具切削加工过程的数据；

其中，所述刀具切削加工过程的数据包括：机床型号、工件信息、刀具信息、切削参数以及功率和/或声发射实时监测数据。