滚磨光整加工技术是机械加工领域的基础性制造工艺技术,其主要通过零件和滚抛磨块、磨液在光整设备内的复杂相对运动对零件表面进行碰撞、滚压等复杂作用,达到改善零件表面质量和使用性能的目的。其中,滚抛磨块、磨液、光整设备是影响加工效率和效果的关键工艺要素。当滚磨光整加工工艺要素决策中新零件与原有加工经验的特征信息分布差异较大时,现有的基于案例推理和专家推理模型会发生决策不准的问题,因此有必要引入迁移学习技术。迁移学习具备特征信息和标签信息依赖性低的特点,可以有效解决数据分布不一致问题而导致的决策不准现象。目前,研究团队已构建了基于条件分布适配-流行正则化(Conditional Distribution Adaptation-Manifold Regularization,CDA-MR)的迁移学习的滚抛磨块决策模型,为加工中滚抛磨块的决策提供有效建议。但随着案例的大量收集,多源域的可迁移性的合理分析和迁移效果的有效处理成为了限制迁移学习决策的主要问题,同时工艺要素的决策扩展也是滚磨光整加工的迫切需求。针对上述问题,本论文研究了一种基于多源域迁移学习的滚磨光整加工工艺要素智能决策模型,并在研究团队已构建的“面向全产业链应用的滚磨光整加工工艺智能数据库平台”的基础上扩展智能决策系统,合理利用多源域案例集的信息为滚磨光整加工中新零件与原有加工经验的特征信息分布差异较大时工艺要素的决策提供指导建议。本论文主要研究内容有:(1)总结整理最新获取的工艺数据,在研究团队已建立的数据库平台的基础上进行了统一录入和管理;通过特征分类表征对工艺案例的零件信息、加工前特征、加工要求和滚抛磨块、磨液、光整设备三个关键工艺要素进行了特征表征研究;构建基于多源域迁移学习的滚磨光整加工工艺智能决策模型的实体联系图。(2)针对多源域迁移时传统方法缺乏对多源域的可迁移性的合理分析和迁移效果的有效处理问题,本论文提出了基于流形结构的多源自适应(Multi Domain AdaptationManifold Regularization,MDA-MR)多源域迁移学习算法。首先,对多源域进行可迁移性分析,选择可迁移的源域;然后,适配边缘分布和条件分布并引入均衡因子得到均衡分布适配,同时利用流形正则化约束数据结构使单源域的信息使用最大化;最后,通过加权因子对各源域分类器进行自适应加权,充分利用多源域的信息求解目标域问题。将该算法应用于滚抛磨块的决策并进行大量实验,验证了算法改进的有效性。(3)针对滚磨光整加工中存在当新零件与原有加工经验的特征信息分布差异较大时基于案例推理和专家推理工艺要素决策模型决策不准的问题,在MDA-MR的基础上提出了加权多源自适应(Weighted Multi Domain Adaptation,WMDA)多源域迁移学习算法。首先,为提高算法的适用范围,对已提出的MDA-MR进行改进,采用适配因子调节适配项的作用占比提高单源域的决策效率,并引入Wasserstein距离调节分类器加权提高多源域的决策效率,提出了WMDA算法;然后,针对因预测目标分类过多引发的负迁移问题,设计了工艺要素相似度匹配算法(Process Element Similarity Matching,PESM),构建了基于WMDA多源域迁移学习算法的滚磨光整加工工艺要素决策模型,并通过消融实验和对比实验验证了改进的必要性,为滚磨光整加工提供更有效的理论支持。(4)为提高人机交互的友好性,本论文实现了MATLAB、Oracle数据库和平台界面的技术联调,在已构建的数据库平台上拓展搭建了基于多源域迁移学习的滚磨光整加工工艺智能决策系统,为滚磨光整加工提供更有价值的决策支持与技术支持。
暂无评论