(19)中华 人民共和国 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 202111570003.5 (22)申请日 2021.12.21 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 胡鹏程　谢杰君　高仕博　 (74)专利代理 机构 华中科技大 学专利中心 42201 代理人 汪洁丽 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/02(2006.01) G06F 30/27(2020.01) (54)发明名称 基于迁移学习的机床响应 建模方法、 系统及 响应预测方法 (57)摘要 本发明公开了一种基于迁移学习的机床响 应建模方法、 建模系统以及响应预测方法， 该建 模方法包括： 利用源域数据训练源域响应预测模 型； 在源域响应预测模型上加入自适应层， 以使 损失函数小于预设值为目标反向调节源域响应 预测模型的参数， 得到域适应初始模型， 损失函 数包括分类损失和域适应损失； 将目标域数据输 入域适应初始模型进行微调， 得到域适应模型； 将源域数据输入域适应模型， 得到辅助训练数 据； 利用辅助训练数据和目标域数据训练目标域 响应预测模型。 该方法结合模型迁移和样本迁 移， 实现源域数据的复用， 减少了新工况下模型 建立对新数据的需求量， 从而降低实际生产中面 对多种不同工况进行 数据采集的实验成本 。 权利要求书3页 说明书10页 附图7页 CN 114239733 A 2022.03.25 CN 114239733 A 1.一种基于 迁移学习的机床响应建模方法， 其特 征在于， 包括： 获取源域数据和目标域数据， 其中， 所述源域数据为第 一工况下的样本数据， 所述目标 域数据为第二工况 下的样本数据； 利用所述源域数据训练源域响应预测模型； 在所述源域响应预测模型上加入自适应层， 将所述源域数据输入所述源域响应预测模 型， 基于所述自适应层计算损失函数并以使 所述损失函数小于预设值为目标反向调节所述 源域响应预测模型 的参数， 得到域适应初始模型， 所述损失函数包括分类损失和域适应损 失， 所述域适应损失包括所述源域数据和所述目标域数据之间的最大均值差异损失； 将所述目标域数据输入所述域适应初始模型， 以分类损失函数小于预设值为目标对所 述域适应初始模型的参数进行反向微调， 得到域 适应模型； 将所述源域数据输入所述 域适应模型， 得到 辅助训练数据； 利用所述辅助训练数据和所述目标域数据训练目标域响应预测模型。 2.如权利要求1所述的基于 迁移学习的机床响应建模方法， 其特 征在于， 所述源域数据包括： 所述目标域数据包括： 其中， xi表示第i个样本数据中的工艺参数特征向量， yi表示第i个样本数据中与工艺参 数特征向量对应的响应特征； n表示源域数据的样本数量， m表示目标域的样本数量， k表示 每个样本内的特 征维度； 包括分类损失和域 适应损失的损失函数为： 其中， 表示将 输入所述源域响应预测模型 所得到的结果， λ为权 重。 3.如权利要求1所述的基于迁移学习的机床响应建模方法， 其特征在于， 所述域适应初 始模型的神经网络结构包括顺序连接的第一至第四层， 其中， 第一层为输入层、 第二层和 第 三层为隐藏层， 第四层为输出层。 4.如权利要求3所述的基于迁移学习的机床响应建模方法， 其特征在于， 进行反 向微调 的步骤包括： 冻结域适应初始模型的神经网络结构及其第一层和第二层的系数， 确定第三层的映射 sp＝σ3(W3x3+b3) 其中， sp为输出层的输出结果， x3为第三层的向量， W3和b3为第三层的系数， σ3为第三层 的激活函数； 利用所述目标域数据训练所述域适应初始模型， 以分类损失函数小于预设值为目标训 练系数W3和b3， 得到域适应模型。 5.如权利要求4所述的基于迁移学习的机床响应建模方法， 其特征在于， 利用所述源域 数据训练源域响应预测模型时的学习率为c， 利用所述 目标域数据训练所述域适应初始模权　利　要　求　书 1/3 页 2 CN 114239733 A 2型时的学习率小于或等于 6.如权利要求2所述的基于迁移学习的机床响应建模方法， 其特征在于， 利用所述辅助 训练数据和所述目标域数据训练目标域响应预测模型， 包括： 步骤S1： 初始化权 重向量 其中， 第i个样本的权 重为 步骤S2： 对于第t次迭代， 调用基学习器， 根据合并数据集T＝Ts′∪Tt以及T＝Ts′∪Tt上 的权重分布wt， 得到一个 基学习器ht:X→Y； 步骤S3： 计算基学习器ht对数据集T中每 个样本的调整误差： 其中， Et表示目标域数据集Tt中样本误差的最大值， 且 步骤S4： 计算ht在目标域数据集Tt上的调整误差： 步骤S5： 判断∈t是否小于设定阈值， 若否， 跳转至步骤S2， 若是， 则将第t+1次迭代的权 重向量可以更新 为： 其中， βt＝ εt/(1‑εt)， N为预设迭代次数； 步骤S6： 判断迭代次数是否达到预设迭代次数， 若否， 则继续迭代直至迭代次数达到预 设迭代次数， 生成一组基学习器{h1,h2,…,hN}， 取后P个基学习 器集成， 得到最终的目标域 响应预测模型： 7.如权利要求1所述的基于迁移学习的机床响应建模方法， 其特征在于， 训练目标域响 应预测模型 所基于的神经网络结构和训练源域响应预测模型 所基于的神经网络结构相同。 8.如权利要求1至6任一项所述的基于迁移学习的机床响应建模方法， 其特征在于， 所 述源域数据为第一加工工况下的铣削主轴功 率样本数据， 所述目标域数据为第二加工工况 下的铣削主轴功率样本数据， 所述源域响应预测模型为源域铣削主轴功率预测模型， 所述 目标域响应预测模型为目标域 铣削主轴功率预测模型。 9.一种基于 迁移学习的机床响应建模系统， 其特 征在于， 包括：权　利　要　求　书 2/3 页 3 CN 114239733 A 3