(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
专利 基于迁移学习的刀具磨损预测方法、装置及计算机应用
安全报告 >
其他 >
文档预览
中文文档
17 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共17页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 04:59:55上传分享