本发明属于机械加工，涉及一种基于ssae的数控铣削多工况表面粗糙度在线预测方法。
背景技术：
技术实现思路
1、有鉴于此，本发明的目的在于针对现有铣削加工表面粗糙度预测技术中存在的建模所需数据规模大、模型泛化性不足等问题，提供一种基于堆叠稀疏自编码网络(stacksparseautoencoder，ssae)的数控铣削多工况表面粗糙度在线预测方法，主要解决了以下两个方面的技术问题：
3、(2)针对在原始工况中训练好的表面粗糙度预测模型面临新工况时预测性能显著降低的问题。本发明设计一种基于模型迁移与微调策略的迁移学习框架，将在原始工况中构建的表面粗糙度在线预测模型迁移至刀具与工件材料变换的目标工况中，再通过有限的目标工况带标签数据进行微调来提升模型在目标工况中的预测性能，以此实现目标工况的表面粗糙度准确预测。
4、为达到上述目的，本发明提供如下技术方案：
5、一种基于ssae的数控铣削多工况表面粗糙度在线预测方法，包括以下步骤：
6、s1：采集并处理铣削力信号；
7、s2：构建基于“在线信号特征+离线工艺参数”的联合特征数据集；
8、s3：建立并训练基于堆叠稀疏自编码网络(stacksparseautoencoder，ssae)的表面粗糙度在线预测模型；
9、s4：设计基于模型迁移与微调策略的迁移学习框架；
10、s5：在刀具与工件材料变换的多工况场景下，模拟目标工况中样本数量有限的场景；
11、s6：实现刀具与工件材料变换下的多工况表面粗糙度在线预测。
12、进一步，步骤s1具体包括：
13、s11：通过kistler测力仪和计算机配套系统采集铣削加工过程中x方向与y方向的铣削力信号；
14、s12：切除原始测量信号的头尾部分，保留稳定铣削部分用于后续处理。
15、进一步，步骤s2具体包括以下步骤：
16、s21：针对x方向与y方向保留的稳定铣削部分的力信号，分别提取时域特征，并结合快速傅里叶变换提取频域特征；所述时域特征包括信号均值、信号标准差、信号均方根值、信号峰峰值、信号偏度、信号峭度、信号裕度；所述频域特征包括信号频率重心、信号均方频率、信号频率方差；
17、s22：结合离线工艺参数构建联合特征数据集；所述离线工艺参数包括主轴转速、每齿进给量、切削宽度、切削深度；数据集中一个样本包含24维特征和一个表面粗糙度等级标签。
18、进一步，步骤s3所述建立并训练基于堆叠稀疏自编码网络ssae的表面粗糙度在线预测模型，具体包括：
19、s31：在自编码器的基础上，添加稀疏性限制进行改进，得到稀疏自编码器，再通过贪婪无监督的分层方式进行训练，加入softmax层作为分类输出层，建立基于堆叠稀疏自编码网络的表面粗糙度在线预测模型；
20、s32：通过原始工况的联合特征数据集对模型进行训练，实现该工况下的表面粗糙度在线预测。
21、更进一步，自编码器的网络传播公式如式(1)所示：
22、
23、式中，h表示隐藏层特征；f表示激活函数；x和y表示输入和输出；wx和bx表示编码网络的权重矩阵和偏置矩阵；wy和by表示解码网络的权重矩阵和偏置矩阵；
25、
26、式中，表示第j个神经元的平均激活程度；nd表示输入样本的个数；x(i)表示第i个样本的数据集。
27、进一步，步骤s4具体包括以下步骤：
28、s41：利用基于模型的迁移学习方法将已构建的预测模型迁移至刀具与工件材料变换的目标工况中；
29、s42：采用目标工况中的带标签样本对迁移后的模型进行微调，设计基于模型迁移与微调策略的迁移学习框架。
30、更进一步，步骤s41所述的迁移，如公式(3)所示：
31、
32、式中，wsl和wtl分别为原始工况模型和目标工况模型第l层的权重矩阵；bsl和btl分别为原始工况模型和目标工况模型第l层的偏置矩阵；l表示网络层数；
33、步骤s42中，通过带标签的目标工况数据对模型进行微调，使用随机梯度下降的反向传播算法来最小化目标工况中表面粗糙度预测等级和真实等级之间的误差，目标工况预测模型的参数更新过程如公式(4)所示：
34、
35、式中，η为学习率；x为目标工况样本的输入数据；g为输入数据对应的表面粗糙度等级标签。
36、进一步，步骤s5中，在刀具与工件材料变换的多工况场景下，控制目标工况中能用于微调的带标签样本数量，模拟目标工况中样本数量有限的场景，具体包括目标工况中的样本并不充足，相比原始工况来说是有限的，无法直接在目标工况中训练出预测性能良好的ssae表面粗糙度在线预测模型。
37、进一步，步骤s6具体如下：将微调样本数从少量逐渐增多，采用采用步骤s4所示的迁移学习框架，将步骤s3中原始工况的预测模型迁移至刀具与工件材料变换的新工况中，采用步骤s5模拟目标工况样本有限的场景，检测目标工况中迁移模型的预测性能。
39、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。