科创中国

，本发明提供了一种基于对抗迁移学习的刀具磨损状态预测方法，包括以下步骤：S1，获取源刀具、目标刀具的振动信号和刀具磨损值；对所述振动信号进行预处理，并将处理后的信号与刀具磨损值对应，得到带标签的源域数据集和目标域数据集；S2，构建包括特征提取网络、标签分类器、全局域判别器和局部域判别器的对抗迁移学习模型；其中，所述特征提取网络用于对所述源域数据集和目标域数据集进行特征提取，得到样本特征；所述标签分类器根据所述样本特征预测样本磨损状态；所述全局域判别器根据所述样本特征预测样本的域类别；所述局部域判别器先基于所述标签分类器预测样本磨损状态，再判断已预测磨损状态的样本的域类别；S3，以最小化所述对抗迁移学习模型的损失为目标，基于所述源域数据集和目标域数据集训练所述对抗迁移学习模型；并利用训练好的对抗迁移学习模型实现所述目标刀具磨损状态预测。

本发明公开了一种基于对抗迁移学习的刀具磨损状态预测方法及装置，属于数控加工中心刀具磨损状态预测技术领域。本发明结合动态分布自适应以及对抗迁移学习，首先获取并处理得到带标签的源域数据集和目标域数据集；接着，构建包括特征提取网络、标签分类器、全局域判别器和局部域判别器的对抗迁移学习模型；最后，以最小化对抗迁移学习模型的损失为目标，基于源域数据集和目标域数据集训练对抗迁移学习模型。如此，本发明可以利用已有的带标签的刀具磨损监测数据(源域数据)辅助建立其他场景下的对抗迁移学习模型，从而只需较少的带标签的目标域数据，就能够解决不同直径刀具的磨损状态预测问题。

刀具的磨损对零件的加工精度和表面质量有重要影响，建立有效的刀具磨损预测模型可以提高产品合格率并降低生产成本。不同类型刀具加工的数据与已有模型的训练数据分布差异较大，需要该类型刀具有磨损值或磨损状态标签的数据重新训练模型。但实际加工场景下获取有标签的数据代价昂贵且十分困难，目前已有一些迁移学习方法可以进行同种类型不同直径刀具的磨损状态预测。但是对于不同类型刀具的磨损状态预测，源刀具和目标刀具磨损过程差异相差大，难以进行域之间的适配，磨损状态预测较难。

因此，本领域目前亟需研究一种借助已有场景下有标签的刀具磨损监测数据和预测模型构建少标签数据场景下的不同类型刀具磨损预测模型，用以解决数控机床铣削加工中不同类型刀具的磨损状态预测问题。

华中科技大学（Huazhong University of Science and Technology），简称华中大、华科大 ，位于湖北省武汉市，是中华人民共和国教育部直属的综合性研究型全国重点大学、位列国家“双一流”“985工程”“211工程”、入选“强基计划”“111计划”、卓越工程师教育培养计划、卓越医生教育培养计划、国家大学生创新性实验计划、国家级大学生创新创业训练计划、国家建设高水平大学公派研究生项目、国家级新工科研究与实践项目、基础学科拔尖学生培养计划2.0，是学位授权自主审核单位、全国深化创新创业教育改革示范高校、一流网络安全学院建设示范项目高校、中国政府奖学金来华留学生接收院校、教育部来华留学示范基地，为中欧工程教育平台成员和医学“双一流”建设联盟 、国际应用科技开发协作网 、全球能源互联网大学联盟成员。

(1)本发明结合动态分布自适应以及对抗迁移学习，首先获取并处理得到带标签的源域数据集和目标域数据集；接着，构建包括特征提取网络、标签分类器、全局域判别器和局部域判别器的对抗迁移学习模型；最后，以最小化对抗迁移学习模型的损失为目标，基于源域数据集和目标域数据集训练对抗迁移学习模型。如此，本发明可以利用已有的带标签的刀具磨损监测数据(源域数据)辅助建立其他场景下的对抗迁移学习模型，从而只需较少的带标签的目标域数据，就能够解决不同直径刀具的磨损状态预测问题。

(2)本发明能够有效的从条件分布和边缘分布分别进行源域和目标域的适配，从而提高不同类型刀具磨损预测的准确率。

(3)本发明在训练对抗迁移学习模型时，设计与域自适应相关的损失函数，采用按需调整的多阶段学习率曲线，优化器为随机梯度下降法，模型训练速度快，对源刀具和目标刀具磨损状态预测效果好。

本专利成果采用技术转让，技术入股，技术合作等成果转化方式，希望进一步实现该专利的有益效果，有兴趣皆可面议。