[发明专利]基于异构域自适应迁移学习的刀具磨损状态智能识别方法

权利要求书

1.一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，包括以下步骤：

步骤一：构建基于异构域自适应迁移学习的刀具磨损状态识别系统；

步骤二：根据几种刀具的不同磨损曲线获取源域数据S及一个目标域数据T，并对数据进行特征提取及特征降维；

步骤三：构建MMD矩阵M，并初始化参数及最大迭代次数；

步骤四：初始化FWELM随机输入权重并计算其隐含层输出矩阵H；

步骤五：利用DST-FWELM计算重构输出权重；

步骤六：计算重构后的刀具磨损源域数据S′及目标域数据T′；

步骤七：利用重构的源域数据训练自适应FWELM分类模型；

步骤八：利用自适应FWELM分类模型更新目标伪标签及及条件矩阵M_k；以及

步骤九：达到最大迭代次数后，利用最终的自适应FWELM分类模型对刀具磨损状态进行预测。

2.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，在所述步骤二中，利用线性回归的方法选择数据的特征中表现显著的特征，并将其他表现不显著的特征剔除。

3.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，在所述步骤三中，需要初始化的参数包括FWELM中的隶属函数系数、小波函数系数以及MMD中的比例系数。

4.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，在所述步骤五中，重构输出权重用于将源域数据与目标域数据转换到同一个特征空间。

5.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，在所述步骤七中，直接将重构的源域数据输入到自适应FWELM分类器中，自适应FWELM分类器重新初始化分类器内部的输入权重及阈值。

6.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，在所述步骤八中，将重构的目标域数据输入到训练后的自适应FWELM分类器中，得到对应于目标域的伪标签，并利用伪标签更新条件矩阵。

7.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，所述刀具磨损状态识别系统包括刀具状态源域数据采集对象、刀具状态目标域数据采集对象、数据处理模型和DST-FWELM模型。

8.根据权利要求2所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法，其特征在于，所述特征降维包括：

提取源域数据与目标域数据中的统计特征、频域特征及时频域特征；

将刀具磨损的不同样本作为自变量，将每个样本对应的特征作为不同的自变量类型，将刀具磨损值作为目标值，进行线性回归；

利用线性回归得到的每个变量系数及系数的显著性水平p值；以及

将p值小于0.05的系数及对应的特征保留，将其他的特征剔除。