(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210774410.6 (22)申请日 2022.07.01 (71)申请人 江苏西格数据科技有限公司 地址 215000 江苏省苏州市吴江区苏州工 业园区星湖街328号创意产业园9-201 (72)发明人 余世阁　 (74)专利代理 机构 北京知汉亭知识产权代理事 务所(普通 合伙) 16011 专利代理师 胡丽琴 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 基于迁移学习的刀具磨损预测方法、 装置及 计算机应用 (57)摘要 本发明涉及刀具磨损术领域， 提供了基于迁 移学习的刀具磨损预测方法、 装置及计算机应 用。 该方法包括： 获取源域刀具磨损的历史数据， 并进行预处理， 获得标准化数据集； 采用可视化 对标准化数据集进行分析， 确定源域刀具磨损数 据的加工周期； 选取RNN模型、 LSTM模型和 GRU模 型， 分别搭建各自模型； 将标准化数据集按8： 2进 行切分， 获得数据训练集和数据测试集； 通过评 估获得目标模型权重， 基于迁移学习的框架， 利 用目标模型对目标刀具磨损数据的加工周期进 行预测， 获得目标预测值。 本发明采用了标准化 数据集， 避免了数据泄露， 实现了快速准确的对 新刀具磨损状态加工周期的实时检测。 权利要求书2页 说明书10页 附图4页 CN 115186406 A 2022.10.14 CN 115186406 A 1.基于迁移学习的刀具磨损预测方法， 其特 征在于， 包括： 步骤一.获取源域刀具磨损的历史数据， 并对所述历史数据进行预处理， 获得标准化数 据集； 步骤二.采用可视化对所述标准化数据集进行分析， 确定源域刀具磨损数据的加工周 期； 步骤三.基于所述源域刀具磨损数据的加工周期， 选取循环神经网络模型、 长短期记忆 网络模型和门控循环单 元模型， 分别搭建各自的预测模型； 步骤四.将所述标准 化数据集按8： 2进行切分， 获得 数据训练集和数据测试集； 步骤五.基于所述数据训练集和所述数据测试集， 通过评估获得目标模型权重， 并基于 迁移学习的框架， 将所述目标模型权 重输入至所述目标 数据构建的目标模型； 步骤六.利用所述目标模型对所述目标刀具磨损数据的加工周期进行预测， 获得目标 预测值。 2.根据权利要求1所述的刀具磨损预测方法， 其特 征在于， 所述 步骤一中预处 理包括： 数据规整、 缺失值 填充、 剔除异常值以及数据标准 化处理。 3.根据权利要求2所述的刀具磨损预测方法， 其特征在于， 所述数据标准化处理采用训 练集的均值和标准差 。 4.根据权利要求1所述的刀具磨损预测方法， 其特 征在于， 所述 步骤五包括： S51.将所述训练集分别输入所述RNN模型、 LSTM模型和GRU模型中训练， 训练直至RNN模 型、 LSTM模型和GRU模型的损失值 不断收敛趋向于 0， 则停止训练， 获得 所述训练好的模型； S52.将所述测试集输入所述训练好的模型， 获得 预测值； S53.基于所述预测值， 将所述测试集输入所述训练好的模型， 进行评估得到目标模型 权重； S54.基于迁移学习的框架， 将所述目标模型权重输入至所述目标数据构建的目标模 型。 5.根据权利要求4所述的刀具磨损预测方法， 其特征在于， 所述S53中目标模型权重的 计算式如下： Loss＝||yt‑Fθ(yt|xt)||2 其中， Loss表示目标模型权重， xt和yt分别代表真实输入值和真实目标值， F代表的是模 型函数， Fθ(yt|xt)是预测值。 6.根据权利要求1所述的刀具磨损预测方法， 其特 征在于， 所述 步骤六包括： S61.令目标 数据经过所述步骤一至步骤四后， 获得目标 数据的构建模型； S62.将所述目标模型权重输入至所述目标数据的构建模型中， 通过微调获得目标模 型； S63.利用所述目标模型， 对所述目标刀具磨损数据的加工周期进行预测， 获得目标预 测值。 7.根据权利要求6所述的刀具磨损预测方法， 其特 征在于， 所述S6 3还包括： 获得平均绝对百分比误差 。 8.基于迁移学习的刀具磨损预测装置， 其特 征在于， 包括： 获取模块(21)， 用于获取源域刀具磨损的历史数据， 并对所述历史数据进行预处理， 获权　利　要　求　书 1/2 页 2 CN 115186406 A 2得标准化数据集； 分析模块(22)， 用于采用可视化对所述标准化数据集进行分析， 确定源域刀具磨损数 据的加工周期； 搭建模块(23)， 用于基于所述源域刀具磨损 数据的加工周期， 选取RNN模型、 LSTM模型 和GRU模型， 分别搭建各自的预测模型； 切分模块(24)， 用于将所述标准化数据集按8： 2进行切分， 获得数据训练集和数据测试 集； 评估模块(25)， 用于基于所述数据训练集和所述数据测试集， 通过评估获得目标模型 权重， 并基于 迁移学习的框架， 将所述目标模型权 重输入至所述目标 数据构建的目标模型； 预测模块( 26)， 用于利用所述目标模型对所述目标刀具磨损数据的加工周期进行预 测， 获得目标 预测值。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并且可以在所述处 理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要 求1至7中任一项所述刀具磨损预测方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时实现如权利要求 1至7中任一项 所述刀具磨损预测方法 的步骤。权　利　要　求　书 2/2 页 3 CN 115186406 A 3