变工况刀具破损监测的半监督增量学习方法
来源：计算机集成制造系统杂志2022年第9期北京时间：
作者：孙世旭, 胡小锋, 夏铭远
单位：1.上海交通大学机械与动力工程学院2.上海航天控制技术研究所
摘要：针对零件加工过程刀具破损监测存在的破损样本数量极少、样本分布随工况变化的问题,提出一种半监督的增量学习方法。首先,采集部分刀具正常状态的样本,通过自编码器学习正常样本的低维共性特征,并根据样本在特征空间的分布建立刀具破损监测模型,在无破损样本的条件下开始破损监测。在破损监测过程中,采用自编码器的重建误差检测样本分布是否变化,在样本分布变化或模型识别错误时,采用最新获取的样本对模型进行增量训练,使模型保持良好的识别能力。利用发电机转子铣削过程刀片破损数据进行验证,与标准的自编码器方法、一分类支持向量机方法和局部离群因子方法进行对比分析,结果表明,所提方法显著提高了对不同工况获取的样本的识别效果。
关键词：刀具破损监测,增量学习,半监督学习,不平衡数据,工况
基金资助：国防基础科研资助项目(JCKY2021110B048);国家重点研发计划资助项目(2018YFB1700502);上海市科委资助项目(19511105302)。
