在不同切削条件下工具磨损的预测：基于模型无关元学习的少量样本热启动框架 周俊， 王林， 王涛

《Machines》：Tool Wear Prediction Under Varying Cutting Conditions: A Few-Shot Warm-Start Framework Based on Model-Agnostic Meta-Learning Ju Zhou, Lin Wang and Tao Wang

　　

摘要

在高价值的精密加工中，现有的刀具磨损监测模型通常存在两个主要问题：一是对不同切削条件的泛化能力较差；二是严重依赖于大量标注数据来适应新的操作场景。这些问题阻碍了智能监测系统的实际应用。为了解决这些问题，本文提出了一种基于模型不可知元的 few-shot warm-start（少量样本快速启动）框架。该方法包含两个阶段：首先，通过对历史加工数据进行元训练，学习一个对任务敏感的参数初始化方法，以实现快速适应；其次，在新的操作条件下，通过有针对性的物理试切过程收集少量（1到5个）样本来进行在线微调，使模型适应当前的物理环境。在 PHM2010 数据集上的实验完全模拟了不同的切削情况。实验结果表明，所提出的框架在少量样本和多变切削条件下的刀具磨损预测性能上，始终优于传统的迁移学习方法、深度学习模型以及现有的元学习方法，为快速准确地预测刀具磨损提供了有效解决方案。