本發(fā)明屬于機器人磨削，更具體地，涉及一種對偶域自適應(yīng)雙任務(wù)學(xué)習(xí)的機器人磨削預(yù)測方法及設(shè)備。

背景技術(shù)：

1、機器人磨削技術(shù)因其靈活性高、操作空間大和成本效益高，已被公認為是精加工和處理難加工材料的有效技術(shù)。高精制造是機器人磨削技術(shù)的目標，這可以通過同時提高材料去除能力和工件表面質(zhì)量來實現(xiàn)。過去幾十年來，人們提出了許多機器學(xué)習(xí)方法來單獨預(yù)測材料去除深度和平均表面粗糙度。然而，這些方法通常需要訓(xùn)練兩個不同的模型，忽略了他們之間潛在的相關(guān)性。多任務(wù)監(jiān)督學(xué)習(xí)(如共享底層法、張量因式分解法和多門專家混合法)是一種更有效的技術(shù)。在多任務(wù)監(jiān)督學(xué)習(xí)方法中，多門專家混合方法能夠利用少量訓(xùn)練樣本中的參數(shù)來平衡各任務(wù)之間的相關(guān)性和差異性。

2、然而，傳統(tǒng)的多任務(wù)監(jiān)督學(xué)習(xí)方法通常假設(shè)訓(xùn)練和測試數(shù)據(jù)獨立同分布。事實上，不同區(qū)間的加工參數(shù)呈現(xiàn)出不同的數(shù)據(jù)分布，在使用傳統(tǒng)的多任務(wù)監(jiān)督學(xué)習(xí)方法時，往往會導(dǎo)致對未知加工參數(shù)的預(yù)測偏移。一種合理的方法是利用基于深度自適應(yīng)的方法來緩解機器人磨削中現(xiàn)有加工參數(shù)和新加工參數(shù)之間的數(shù)據(jù)分布差異，從而在處理新加工參數(shù)時實現(xiàn)材料去除深度和平均表面粗糙度的準確聯(lián)合預(yù)測。但是基于深度自適應(yīng)的方法的預(yù)測能力在很大程度上依賴于源域和目標域中可用的樣本數(shù)量。然而，在機器人磨削的新加工參數(shù)空間中收集和注釋數(shù)據(jù)的成本過高，導(dǎo)致只有少量標記樣本可用于基于深度自適應(yīng)的模型訓(xùn)練。當采用基于深度自適應(yīng)的方法時，目標域的測試樣本有限可能會導(dǎo)致訓(xùn)練效率低下以及訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)之間的數(shù)據(jù)分布不一致。

3、因此，有必要提出一種新的自適應(yīng)策略來消除在提供少量測試樣本時訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)之間的分布差異。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的以上缺陷或改進需求，本發(fā)明提供了一種對偶域自適應(yīng)雙任務(wù)學(xué)習(xí)的機器人磨削預(yù)測方法及設(shè)備，其中結(jié)合機器人磨削自身的特征及其新工藝參數(shù)與歷史工藝參數(shù)數(shù)據(jù)分布特點，相應(yīng)設(shè)計了一種對偶域自適應(yīng)雙任務(wù)學(xué)習(xí)方法，利用域自適應(yīng)策略來緩解源域和目標域之間數(shù)據(jù)分布差異的問題，同時針對mrd(材料去除深度)和ra(粗糙度)之間的相關(guān)性和差異性，使用雙任務(wù)預(yù)測算法mmoe(多門控混合專家模型)來增強在只有少量標記目標樣本可用任務(wù)監(jiān)督學(xué)習(xí)時的域自適應(yīng)的能力，從而實現(xiàn)材料去除深度和平均表面粗糙度的聯(lián)合預(yù)測。

2、為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提出了一種對偶域自適應(yīng)雙任務(wù)學(xué)習(xí)的機器人磨削預(yù)測方法，包括以下步驟：

3、步驟一，將機器人磨削的歷史工藝參數(shù)以及對應(yīng)的新工藝參數(shù)循環(huán)配對，以形成“目標-源”樣本對和“源-源”樣本對，對所述“目標-源”樣本對和“源-源”樣本對進行特征轉(zhuǎn)換和合并后，分別得到“目標-源”特征和“源-源”特征；

4、步驟二，構(gòu)建“目標-源”特征和“源-源”特征之間的經(jīng)驗最大均值差異模型，并計算“目標-源”特征和“源-源”特征之間的域自適應(yīng)損失；

5、步驟三，基于所述域自適應(yīng)損失構(gòu)建多門控混合專家模型的整體損失函數(shù)，將所述“目標-源”特征和“源-源”特征輸入到多門控混合專家模型中進行雙任務(wù)監(jiān)督優(yōu)化訓(xùn)練，以獲取磨削預(yù)測模型；

6、步驟四，基于所述磨削預(yù)測模型對機器人磨削的材料去除深度和平均表面粗糙度進行雙預(yù)測。

7、作為進一步優(yōu)選的，步驟一中，采用域自適應(yīng)策略使得源域和目標域之間的數(shù)據(jù)對齊，將所述“目標-源”樣本對和“源-源”樣本輸入至特征轉(zhuǎn)換器中進行轉(zhuǎn)換和合并后，分別得到“目標-源”特征和“源-源”特征。

8、作為進一步優(yōu)選的，步驟一中，為了學(xué)習(xí)mrd與ra之間的共享知識，利用兩個全連接層fc1和fc2進行特征變換；

9、所述特征轉(zhuǎn)換器的合并層用于合并配對數(shù)據(jù)的變換后特征，以減少“目標-源”樣本對和“源-源”樣本對之間的域自適應(yīng)損失。

10、作為進一步優(yōu)選的，步驟二中，所域自適應(yīng)損失計算模型包括：

11、

12、其中，ld表示“目標-源”樣本對和“源-源”樣本對的合并特征之間的域自適應(yīng)損，[·,·]表示兩個向量的串聯(lián)，h(·)是將輸入數(shù)據(jù)映射到共享特征空間的特征轉(zhuǎn)換網(wǎng)絡(luò)，xs為源特征，xt為目標特征，，xs為源域樣本，xt為目標域樣本。

13、作為進一步優(yōu)選的，所述自適應(yīng)損失計算模型中采用高斯核作為核函數(shù)，其定義如下：

14、φ(xi,xj)＝exp(-||xi-xj||2/(2σ2))

15、其中，σ是表示高斯核寬度的超參數(shù)。

16、作為進一步優(yōu)選的，所述多門控混合專家模型中第k(k＝1，2，···，l)個任務(wù)的輸出計算如下：

17、

18、其中，x表示輸入數(shù)據(jù)或其變換后的特征，s是專家網(wǎng)絡(luò)的數(shù)量，fi(·)表示第i個專家網(wǎng)絡(luò)的映射函數(shù)，是第k個門控網(wǎng)絡(luò)的輸出，是權(quán)重矩陣，d為x的維度，表示第k個塔網(wǎng)絡(luò)的映射函數(shù)，yk對應(yīng)于塔網(wǎng)絡(luò)的輸出。

19、作為進一步優(yōu)選的，利用adam優(yōu)化算法來最小化所述多門控混合專家模型的整體損失函數(shù)并更新權(quán)重。

20、作為進一步優(yōu)選的，所述整體損失函數(shù)表示如下：

21、l＝lr+λld，

22、其中，lr是標記源樣本和目標樣本的回歸損失，ld表示“目標-源”樣本對和“源-源”樣本對的合并特征之間的域自適應(yīng)損失，參數(shù)λ作為平衡回歸損失和域自適應(yīng)損失的懲罰項。

23、按照本發(fā)明的另一個方面，還提供了一種對偶域自適應(yīng)雙任務(wù)學(xué)習(xí)的機器人磨削預(yù)測系統(tǒng)，包括：

24、第一主控模塊，用于將機器人磨削的歷史工藝參數(shù)以及對應(yīng)的新工藝參數(shù)循環(huán)配對，以形成“目標-源”樣本對和“源-源”樣本對，對所述“目標-源”樣本對和“源-源”樣本對進行特征轉(zhuǎn)換和合并后，分別得到“目標-源”特征和“源-源”特征；

25、第二主控模塊，用于構(gòu)建“目標-源”特征和“源-源”特征之間的經(jīng)驗最大均值差異模型，并計算“目標-源”特征和“源-源”特征之間的域自適應(yīng)損失；

26、第三主控模塊，用于根據(jù)所述域自適應(yīng)損失構(gòu)建多門控混合專家模型的整體損失函數(shù)，將所述“目標-源”特征和“源-源”特征輸入到多門控混合專家模型中進行雙任務(wù)監(jiān)督優(yōu)化訓(xùn)練，以獲取磨削預(yù)測模型；

27、第四主控模塊，用于根據(jù)所述磨削預(yù)測模型對機器人磨削的材料去除深度和平均表面粗糙度進行雙預(yù)測。

28、按照本發(fā)明的另一個方面，還提供了一種電子設(shè)備，包括：

29、至少一個處理器、至少一個存儲器和通信接口；其中，

30、所述處理器、存儲器和通信接口相互間進行通信；

31、所述存儲器存儲有可被所述處理器執(zhí)行的程序指令，所述處理器調(diào)用所述程序指令，以執(zhí)行上述任意實施例或者多個實施例組合的一種對偶域自適應(yīng)雙任務(wù)學(xué)習(xí)的機器人磨削預(yù)測方法。

32、按照本發(fā)明的另一個方面，還提供了一種非暫態(tài)計算機可讀存儲介質(zhì)，所述非暫態(tài)計算機可讀存儲介質(zhì)存儲計算機指令，所述計算機指令使所述計算機執(zhí)行上述任意實施例或者多個實施例組合的一種對偶域自適應(yīng)雙任務(wù)學(xué)習(xí)的機器人磨削預(yù)測方法。

33、總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，主要具備以下的技術(shù)優(yōu)點：

34、1.本發(fā)明提出了一種對偶域自適應(yīng)雙任務(wù)學(xué)習(xí)方法對機器人磨削中的材料去除深度和平均表面粗糙度進行聯(lián)合預(yù)測。該方法的訓(xùn)練過程分為兩個主要階段。首先，將機器人磨削中的歷史工藝參數(shù)和新加工參數(shù)循環(huán)配對以形成“目標-源”樣本對和“源-源”樣本對。隨后，把兩類樣本對輸入到特征轉(zhuǎn)換器中，進行域自適應(yīng)和監(jiān)督雙任務(wù)模型訓(xùn)練，從而實現(xiàn)材料去除深度和平均表面粗糙度的聯(lián)合預(yù)測。

35、2.本發(fā)明提出了域自適應(yīng)策略來使訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)之間的數(shù)據(jù)分布對應(yīng)，以消除訓(xùn)練中歷史工藝參數(shù)(訓(xùn)練數(shù)據(jù))和新工藝參數(shù)(測試數(shù)據(jù))之間數(shù)據(jù)分布差異的負面影響。

36、3.本發(fā)明對偶策略可以看作是一種數(shù)據(jù)增強方法，通過對目標樣本和源樣本進行循環(huán)分組來擴展有限數(shù)量的目標樣本。與傳統(tǒng)的數(shù)據(jù)增強方法(例如生成對抗網(wǎng)絡(luò)(gan)、合成少數(shù)過采樣技術(shù)(smote)和自適應(yīng)合成(adasyn)算法)相比，所提出的對偶策略可以使用少量樣本(甚至少至一個樣本)來增加樣本量。與樣本復(fù)制方法相比，所提出的成對策略可以通過將有限數(shù)量的目標樣本與足夠數(shù)量的源樣本相結(jié)合來顯著提高增強目標樣本的多樣性，增強了在目標樣本較少時的域自適應(yīng)的能力。

37、4.本發(fā)明利用mmoe對材料去除能力和工件表面質(zhì)量進行雙任務(wù)預(yù)測。mmoe能夠以加權(quán)方式對任務(wù)之間的關(guān)系進行建模。如果提供的任務(wù)相關(guān)性較低，則共享專家網(wǎng)絡(luò)將受到懲罰，從而這些任務(wù)的門控網(wǎng)絡(luò)將學(xué)會選擇不同的專家網(wǎng)絡(luò)，有效地平衡了材料去除深度和平均表面粗糙度之間的相關(guān)性和差異性。