基于深度遷移學習的刀具剩余壽命預測*

王 妍，胡小鋒

(上海交通大學機械與動力工程學院，上海 200240)

0 引言

在工件加工過程中，精加工刀具直接與工件接觸，其過度磨損將導致工件表面質量惡化，甚至會導致零件報廢，造成嚴重經濟損失。因此，需要監控刀具在加工過程中的狀態，判斷刀具剩余壽命(remaining useful life,RUL)，在保證工件表面加工質量的前提下進行合理換刀，提高加工效率，降低加工成本。通過傳感器采集過程監控信號監測刀具狀態，運用深度學習方法構建監控信號與刀具剩余壽命間的映射關系，是一種較為廣泛的刀具剩余壽命預測方法。然而，工件加工過程中由于刀具屬性變化、切削參數調整等因素，刀具的性能衰退規律呈現出不同趨勢[1]，基于歷史數據訓練的剩余壽命預測模型對新性能衰退規律的刀具樣本預測準確率較差。因此，有必要研究刀具剩余壽命預測模型參數更新方法，改善新性能衰退規律刀具的剩余壽命預測準確度。

遷移學習利用數據或模型間的相似性，將舊領域學習過的模型和知識應用于新的領域[2]，深度遷移學習則利用深度網絡完成遷移任務。近年來深度遷移學習逐漸應用于故障診斷與磨損、壽命預測領域。GUO等[3]提出一種深度卷積遷移學習網絡進行軸承故障診斷方法，首先利用卷積神經網絡提取原始振動數據特征，對振動數據進行分類；然后采用分布差異度量進行領域自適應，調整模型參數，從而應用于目標領域軸承的故障診斷。LU等[4]重新……