[发明专利]迁移学习网络模型、模型训练方法与基于模型的监测系统

说明书

本发明公开了一种迁移学习网络模型、模型训练方法与基于模型的监测系统,涉及迁移学习网络模型领域,其通过在基于跨阶段局部特征融合策略残差网络模型的局部残差模块与Flatten层之间设置融合层、第一卷积层、批归一化层、激活层以及第二卷积层，并在融合层引入加工条件编码，实现了在同一个模型的基础上预测出不同加工条件下刀具的磨损状态。

技术领域

本发明涉及迁移学习网络模型领域，尤其涉及迁移学习网络模型、模型训练方法与基于模型的监测系统。

背景技术

目前，由于数控机床加工的工件种类较多，因此，机床切削存在多种工况，另外，产品也会存在定制和小批量的要求，这就导致计算量和样本量有限，不可能穷尽所有种类的加工工件一一去建立网络模型以实时预测出在不同工况下数控机床中刀具的磨损状态。不同的工件在实际加工时会有不同的加工条件，如加工方法、刀具材质、工件材料等都会因为工件种类的不同而不同。

迁移学习是一种利用已有知识向未知领域进行学习的方法，本发明结合迁移学习对不同加工条件下的刀具磨损状态监测展开研究，以解决刀具监测技术对不同的加工条件适应性差的问题。

发明内容

为了提高基于跨阶段局部特征融合策略的残差网络模型的泛化性，以在不同的加工条件下实时预测出刀具磨损的状态，本发明提出了一种迁移学习网络模型，其为一种对基于跨阶段局部特征融合策略的残差网络模型进行局部调整，以在各种工件的加工条件下均能预测出数控机床中刀具磨损状态的网络模型，所述各加工条件设置有对应的加工条件编码；所述迁移学习网络模型包括：

基于跨阶段局部特征融合策略的残差网络模型；

以及在基于跨阶段局部特征融合策略残差网络模型的局部残差模块与Flatten层之间的：

融合层，用于获取加工条件编码，并对局部残差模块输出的特征融合向量与加工条件编码进行连接，以得到特征连接向量；

第一卷积层，用于对特征连接向量进行卷积计算以获取特征学习连接向量；

批归一化层，用于对特征学习连接向量进行批归一化；

激活层，用于对批归一化后的特征学习连接向量进行非线性运算，以获取特征激活向量；

第二卷积层，用于对特征激活向量进行卷积计算以得到特征重学习向量。

进一步地，所述基于跨阶段局部特征融合策略的残差网络模型，用于预测数控机床中刀具的磨损状态，其包括：

信号输入层，用于输入刀具监测信号；

卷积层，用于对刀具监测信号进行卷积计算以获取信号特征向量；

批归一化层，用于对信号特征向量进行批归一化；

激活层，用于对批归一化后的信号特征向量进行非线性运算，以获取信号激活特征向量；

残差层，其包括残差块，残差块中设置有左运算通道、右运算通道与合并单元，其中，左运算通道用于对信号激活特征向量进行特征运算以得到残差左特征向量并输出；右运算通道用于对信号激活特征向量进行下采样以得到残差右特征向量并输出；合并单元，用于合并输出的残差左特征向量与残差右特征向量以得到残差特征合并向量；

局部残差模块，其包括至少一个局部残差块，所述局部残差块用于对合并向量进行拆分以得到右特征向量与左特征向量，并通过局部残差块中的右侧梯度运算通道对右特征向量进行残差运算，通过局部残差块中的左侧梯度运算通道对左特征向量进行特征运算，并将残差运算与特征运算后得到的特征向量进行融合以得到特征融合向量；所述合并向量包括残差特征合并向量与特征融合向量。

进一步地，所述基于跨阶段局部特征融合策略的残差网络模型还包括：