一种不同工艺条件下刀具磨损状态多类域适应迁移辨识方法

doi:10.3969/j.issn.1004-132X.2022.15.010

中国机械工程 ›› 2022, Vol. 33 ›› Issue (15): 1841-1849.DOI: 10.3969/j.issn.1004-132X.2022.15.010

一种不同工艺条件下刀具磨损状态多类域适应迁移辨识方法

史珂铭1;邹益胜2;刘永志1;丁昆1;丁国富1

1.西南交通大学机械工程学院，成都，610031
2.西南交通大学计算机与人工智能学院，成都，610031

出版日期:2022-08-10 发布日期:2022-09-01
通讯作者: 邹益胜（通信作者），男，1980年生，副研究员、博士研究生导师。研究方向为复杂装备智能运维。E-mail：zysapple@swjtu.edu.cn。
作者简介:史珂铭，男，1996年生，硕士研究生。研究方向为深度学习和刀具磨损状态迁移辨识。E-mail：shikeming@my.swjtu.edu.cn。
基金资助:
国家重点研发计划（2020YFB1708001）；四川省智能制造与机器人重大科技专项（2019ZDZX0021）

A Multi Class Domain Adaptive Transfer Identification Method for Tool Wear States under Different Processing Conditions

SHI Keming1;ZOU Yisheng2;LIU Yongzhi1;DING Kun1;DING Guofu1

1.School of Mechanical Engineering，Southwest Jiaotong University，Chengdu，610031
2.School of Computing and Artificial Intelligence，Southwest Jiaotong University，Chengdu，610031

Online:2022-08-10 Published:2022-09-01

摘要/Abstract

摘要： 在新的工艺条件下，针对采用历史工艺条件进行训练的刀具磨损状态辨识模型识别准确率低的问题，提出了一种基于迁移学习的跨工艺条件刀具磨损状态辨识模型。构建卷积神经网络提取刀具样本可迁移特征，利用最大均值差异测量不同工艺条件下刀具样本分布差异，通过类间-类内距离约束提升源域特征的样本距离，对目标域数据概率矩阵采取最大化核范数的策略，以提取区分性高的目标域样本故障特征。以铣刀加工试验为例验证了模型的有效性，模型的平均辨识准确率为96.8%，比没有类间-类内距离约束与最大化核范数的方法平均辨识准确率提升4.9%。

关键词: 刀具磨损, 工艺条件, 迁移状态辨识, 类间-类内距离约束, 最大化核范数

Abstract: Under the new processing conditions， aiming at the problems of low identification accuracy rate of tool wear identification model trained under historical processing conditions， a tool wear state identification model across processing conditions was proposed based on transfer learning. Firstly， convolutional neural network was constructed to extract the transfer features of tool samples， and the difference of tool sample distributions was measured by the maximum mean difference under different processing conditions. Secondly， the sample distance of source domain features was improved by IDC. The strategy of maximizing the norm was adopted for the probability matrix of target data to extract the fault features of target domain samples with high discrimination. Finally， the milling cutter machining tests were taken as an example to verify the validity of the model. The average identification accuracy rate of the model is as 96.8%， which is as 4.9% higher than that of the method without IDC and maximum kernel norm.

Key words: , tool wear, processing condition, transfer state identification, inter-class-intra-class distance constraint（IDC）, maximizing kernel norm

中图分类号:

TP206.3

史珂铭, 邹益胜, 刘永志, 丁昆, 丁国富. 一种不同工艺条件下刀具磨损状态多类域适应迁移辨识方法[J]. 中国机械工程, 2022, 33(15): 1841-1849.

SHI Keming, ZOU Yisheng, LIU Yongzhi, DING Kun, DING Guofu. A Multi Class Domain Adaptive Transfer Identification Method for Tool Wear States under Different Processing Conditions[J]. China Mechanical Engineering, 2022, 33(15): 1841-1849.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2022.15.010

https://www.cmemo.org.cn/CN/Y2022/V33/I15/1841

参考文献

［1］LI Weijian， LIU Tongshun. Time Varying and Condition Adaptive Hidden Markov Model for Tool Wear State Estimation and Remaining Useful Life Prediction in Micro-milling［J］. Mechanical Systems and Signal Processing， 2019， 131：689-702.
［2］PATANGEA D， JEGADEESHWARAN R. Review on Tool Condition Classification in Milling：a Machine Learning Approach［J］. Materials Today：Proceedings， 2021， 46：1106-1115.
［3］刘献礼，李雪冰，丁明娜，等. 面向智能制造的刀具全生命周期智能管控技术［J］. 机械工程学报， 2021， 57（10）：196-219.
LIU Xianli， LI Xuebing， DING Mingna， et al. Intelligent Management and Control Technology of Cutting Tool Life-cycle for Intelligent Manufacturing［J］. Journal of Mechanical Engineering， 2021， 57（10）：196-219.
［4］何彦，凌俊杰，王禹林，等. 基于LSTM-CNN的刀具磨损在线监测模型［J］. 中国机械工程， 2020， 31（16）：1959-1967.
HE Yan， LING Junjie， WANG Yulin， et al. Online Tool Wear Monitoring Model Based on LSTM-CNN［J］. China Mechanical Engineering， 2020， 31（16）：1959-1967.
［5］陈启鹏，谢庆生，袁庆霓，等. 基于深度门控循环单元神经网络的刀具磨损状态实时监测方法［J］. 计算机集成制造系统， 2020， 26（7）：1782-1793.
CHEN Qipeng， XIE Qingsheng， YUAN Qingni， et al. Real Time Monitoring Method of Tool Wear State Based on Deep Gating Cycle Unit Neural Network［J］. Computer Integrated Manufacturing Systems， 2020， 26（7）：1782-1793.
［6］WANG Yongqing， QIN Bo， LIU Kuo， et al. A New Multi-Task Learning Method for Tool Wear Condition and Part Surface Quality Prediction［J］. IEEE Transactions on Industrial Informatics， 2021， 17（9）：6023-6033.
［7］WEN Yandong， ZHANG Kaipeng， LI Zhifeng， et al. A Discriminative Feature Learning Approach for Deep Face Recognition［C］∥ European Conference on Computer Vision. Amsterdam， 2016：499-515.
［8］ZHU Yongchun， ZHUANG Fuzhen， WANG Jindong， et al. Deep Subdomain Adaptation Network for Image Classification［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 32（4）：1713-1722.
［9］CHEN Xinyang， WANG Sinan， LONG Mingsheng， et al. Transferability vs. Discriminability：Batch Spectral Penalization for Adversarial Domain Adaptation［C］∥ Proceedings of the 36th International Conference on Machine Learning. Long Beach， 2019：1081-1090.
［10］CHEN Chao， FU Zhihang， CHEN Zhihong， et al. HoMM：Higher-order Moment Matching for Unsupervised Domain Adaptation［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（4）：3422-3429.
［11］雷亚国，杨彬，杜兆钧，等. 大数据下机械装备故障的深度迁移诊断方法［J］. 机械工程学报， 2019， 55（7）：1-8.
LEI Yaguo， YANG Bin， DU Zhaojun， et al. Deep Transfer Diagnosis Method for Machinery in Big Data Era［J］. Journal of Mechanical Engineering， 2019， 55（7）：1-8.
［12］KUREK J， WIECZOREK G， KRUK B， et al. Transfer Learning in Recognition of Drill Wear Using Convolutional Neural Network［C］∥ 2017 18th International Conferenceon Computational Problems of Electrical Engineering（CPEE）. Kutna Hora， 2017：17335147.
［13］陈仁祥，吴志元，胡小林，等. 深度特征联合匹配的不同刀具间磨损状态识别［J］. 仪器仪表学报， 2020， 41（12）：138-145.
CHEN Renxiang， WU Zhiyuan， HU Xiaolin， et al. Wear State Recognition of Different Cutting Tools Based on Joint Matching of Depth Features［J］. Chinese Journal of Scientific Instrument， 2020， 41（12）：138-145.
［14］WANG Yu， SUN Xiaojie， LI Jie， et al. Intelligent Fault Diagnosis with Deep Adversarial Domain Adaptation［J］. IEEE Transactions on Instrumentation and Measurement， 2020， 70：2503509.
［15］ZOU Yisheng， LIU Yongzhi， DENG Jialin， et al. A Novel Transfer Learning Method for Bearing Fault Diagnosis under Different Working Conditions［J］. Measurement， 2021， 171：108767.
［16］GRETTON A， BORGWARDT K M， RASCH M J， et al. A Kernel Method for the Two-sample-problem［M］∥SCHLKOPF B， PLATT J， HOFMANN T， et al. Advances in Neural Information Processing Systems 19：Proceedings of the 2006 Conference. Cambridge：MIT Press， 2007：513-520.
［17］CUI Shuhao， WANG Shuhui， ZHUO Junbao， et al. Towards Discriminability and Diversity：Batch Nuclear-norm Maximization under Label Insufficient Situations［C］∥ 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. Seattle， 2020：3940-3949. ［18］戴稳，张超勇，孟磊磊，等. 采用深度学习的铣刀磨损状态预测模型［J］. 中国机械工程， 2020， 31（17）：2071-2078.
DAI Wen， ZHANG Chaoyong， MENG Leilei， et al. Prediction Model of Milling Cutter Wear State Based on Deep Learning［J］. China Mechanical Engineering， 2020， 31（17）：2071-2078.
［19］GUO Liang， LEI Yaguo， XING Saibo， et al. Deep Convolutional Transfer Learning Network：a New Method for Intelligent Fault Diagnosis of Machines with Unlabeled Data［J］. IEEE Transactions on Industrial Electronics， 2019， 66（9）：7316-7325.
［20］LAURENS V. Accelerating t-SNE Using Tree-Based Algorithms［J］. Journal of Machine Learning Research， 2014， 15（1）：3221-3245.

[1]	包振科, 曹华军, 秦逢泽, 陈志祥, 陶桂宝. 基于IWOA-IECA-BiLSTM模型的刀具磨损监测[J]. 中国机械工程, 2025, 36(12): 2936-2943.
[2]	肖御风, 张超勇, 赛希亚拉图null, 孟一帆, 朱传军. 基于YOLOv11-Seg与Transformer模型的刀具磨损多步向前实时预测方法[J]. 中国机械工程, 2025, 36(12): 2944-2951.
[3]	曾浩, 曹华军, 董俭雄. 基于ISABO-IBiLSTM模型的刀具磨损预测方法[J]. 中国机械工程, 2024, 35(11): 1995-2006.
[4]	李悦1, 2, 谢恒1, 周公博1, 2, 周坪1, 2, 李猛钢1, 2. 基于半监督贝叶斯Transformer的刀具磨损软测量及不确定性分析方法[J]. 中国机械工程, 2024, 35(11): 2015-2025.
[5]	聂鹏1, 杨程越1, 彭新月1, 于家鹤2, 潘五九1. 采用空间和通道激励注意力机制优化ResNet-50的CFRP/TC4叠层材料钻削刀具磨损状态监测[J]. 中国机械工程, 2024, 35(10): 1793-1801.
[6]	王秋莲1, 欧桂雄1, 徐雪娇1, 刘锦荣1, 马国红2, 邓红标2. 基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型研究[J]. 中国机械工程, 2024, 35(06): 1052-1063.
[7]	勾睿杰, 张晓峰, 张鸿滨, 姚俊, 李勋. 刀具磨损对Allvac 718Plus高温合金铣削加工表面完整性及疲劳性能的影响[J]. 中国机械工程, 2023, 34(24): 2920-2926.
[8]	李小睿, 赵威, 李浩, 史卫奇, 何宁. 高压低温CO2射流冷却条件下高速车削淬硬轴承钢的试验研究[J]. 中国机械工程, 2023, 34(24): 2975-2985.
[9]	刘会永, 张松, 李剑峰, 栾晓娜, . 采用改进CNN-BiLSTM模型的刀具磨损状态监测[J]. 中国机械工程, 2022, 33(16): 1940-1947，1956.
[10]	吴世雄, 张文锋, 刘广东, 王成勇. 低温液氮冷却下高速切削淬硬钢的切屑形成及刀具磨损[J]. 中国机械工程, 2022, 33(05): 551-559.
[11]	赵国龙, 信连甲, 李亮, 王珉, 郝秀清, 何宁. 高硅铝合金的金刚石涂层刀具铣削损伤机理研究[J]. 中国机械工程, 2022, 33(02): 153-159.
[12]	李聪波, 孙鑫, 侯晓博, 赵希坤, 吴少卿. 数字孪生驱动的数控铣削刀具磨损在线监测方法[J]. 中国机械工程, 2022, 33(01): 78-87.
[13]	尹晨, 周世超, 何建樑, 孙宇昕, 王禹林. 基于多源同步信号与深度学习的刀具磨损在线识别方法[J]. 中国机械工程, 2021, 32(20): 2482-2491.
[14]	戴稳1;张超勇1;孟磊磊1;薛燕社1;肖鹏飞1;尹勇2. 采用深度学习的铣刀磨损状态预测模型[J]. 中国机械工程, 2020, 31(17): 2071-2078.
[15]	何彦1;凌俊杰1;王禹林2;李育锋1;吴鹏程1;肖圳1. 基于长短时记忆卷积神经网络的刀具磨损在线监测模型[J]. 中国机械工程, 2020, 31(16): 1959-1967.

一种不同工艺条件下刀具磨损状态多类域适应迁移辨识方法

A Multi Class Domain Adaptive Transfer Identification Method for Tool Wear States under Different Processing Conditions

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics