科研之友
微信
新浪微博
Facebook
分享链接
摘要
精确可靠的刀具剩余寿命预测可以减少加工过程中刀具过度使用和未充分使用的比率，从而最大限度地提高加工可靠性并降低生产成本。传统机器学习方法在预测刀具剩余寿命时依赖于训练数据和测试数据遵循相同分布的假设，以及广泛的离线测量数据。然而在实际加工过程中，由于加工条件的变化和有限的刀具磨损数据，致使传统方法在跨工况预测刀具剩余寿命时精度较差。针对该问题，提出一种基于实例迁移学习的刀具剩余寿命预测方法，以达到准确预测跨工况条件下刀具剩余寿命的目的。首先，利用迁移学习算法动态调整多个源域中所有实例的权重，充分利用与目标数据高度相关的源域信息来改善模型的泛化能力，从而利用少量目标域数据预测目标工况下的刀具剩余寿命。其次，为了提升迁移学习算法的时间序列预测能力，开发了递归高斯过程回归模型作为基学习器，通过延迟反馈对相邻时刻的刀具剩余寿命进行约束，与此同时还减少了特征准备工作并降低了模型复杂度。结果表明，该方法可以有效提升跨工况下刀具剩余寿命的预测精度，预测效果也证实了方法的稳定性和可靠性。
- 单位
