7、加工过程中的自适应诊断：基于深度迁移学习的创新方法

加工过程中的自适应诊断：基于深度迁移学习的创新方法

1. 加工故障特征与挑战

在加工过程中，不同的故障会呈现出特定的功率特征。例如，刀具损坏时，功率会突然达到峰值，然后回到空切水平；主轴故障时，功率会突然达到峰值，并且在加工和闲置阶段功率水平都会升高。

传统的LSTM - CNN诊断方法在新的加工条件下，需要大量有标签的数据进行重新训练，以确保诊断的高精度。然而，在加工过程的生命周期中，重新收集和标注数据集成本高、耗时长，使得这种要求不切实际，而且LSTM - CNN是基于历史数据的离线处理程序。

2. 深度迁移学习策略

为应对上述挑战，设计了一种迁移学习策略，并将其与LSTM - CNN相结合，形成了支持加工过程生命周期的新型自适应诊断方法。该策略包括两个步骤：
- 使用最优对齐数据进行前向计算 ：对于使用相同工艺参数在不同机器上加工的相同工件，信号模式应该相似。因此，源域（如机器Mi下的MPi）训练好的LSTM - CNN可以应用于目标域（如机器Mi_r下的MPi_r）。但不同域的输入数据集存在幅度差异，需要对信号进行对齐优化，以实现跨域知识转移。
- 源域数据对齐公式：$X_{source}’ = \alpha \cdot X_{source}$，其中$\alpha$是对齐系数，$X_{source}$是源域的原始输入数据集，$X_{source}’$是源域对齐后的输入数据集。
- 计算不同域数据集相似度的公式：$\sigma_{target_source} = \frac{1}{m - 1} \cdot \sum_{i = 1}^{m}((X_{target}(i) - \mu_{