对偶域自适应双任务学习的机器人磨削预测方法及设备

本发明属于机器人磨削，更具体地，涉及一种对偶域自适应双任务学习的机器人磨削预测方法及设备。

背景技术：

1、机器人磨削技术因其灵活性高、操作空间大和成本效益高，已被公认为是精加工和处理难加工材料的有效技术。高精制造是机器人磨削技术的目标，这可以通过同时提高材料去除能力和工件表面质量来实现。过去几十年来，人们提出了许多机器学习方法来单独预测材料去除深度和平均表面粗糙度。然而，这些方法通常需要训练两个不同的模型，忽略了他们之间潜在的相关性。多任务监督学习(如共享底层法、张量因式分解法和多门专家混合法)是一种更有效的技术。在多任务监督学习方法中，多门专家混合方法能够利用少量训练样本中的参数来平衡各任务之间的相关性和差异性。

2、然而，传统的多任务监督学习方法通常假设训练和测试数据独立同分布。事实上，不同区间的加工参数呈现出不同的数据分布，在使用传统的多任务监督学习方法时，往往会导致对未知加工参数的预测偏移。一种合理的方法是利用基于深度自适应的方法来缓解机器人磨削中现有加工参数和新加工参数之间的数据分布差异，从而在处理新加工参数时实现材料去除深度和平均表面粗糙度的准确联合预测。但是基于深度自适应的方法的预测能力在很大程度上依赖于源域和目标域中可用的样本数量。然而，在机器人磨削的新加工参数空间中收集和注释数据的成本过高，导致只有少量标记样本可用于基于深度自适应的模型训练。当采用基于深度自适应的方法时，目标域的测试样本有限可能会导致训练效率低下以及训练数据和测试数据之间的数据分布不一致。

3、因此，有必要提出一种新的自适应策略来消除在提供少量测试样本时训练数据和测试数据之间的分布差异。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了一种对偶域自适应双任务学习的机器人磨削预测方法及设备，其中结合机器人磨削自身的特征及其新工艺参数与历史工艺参数数据分布特点，相应设计了一种对偶域自适应双任务学习方法，利用域自适应策略来缓解源域和目标域之间数据分布差异的问题，同时针对mrd(材料去除深度)和ra(粗糙度)之间的相关性和差异性，使用双任务预测算法mmoe(多门控混合专家模型)来增强在只有少量标记目标样本可用任务监督学习时的域自适应的能力，从而实现材料去除深度和平均表面粗糙度的联合预测。

2、为实现上述目的，按照本发明的一个方面，提出了一种对偶域自适应双任务学习的机器人磨削预测方法，包括以下步骤：

3、步骤一，将机器人磨削的历史工艺参数以及对应的新工艺参数循环配对，以形成“目标-源”样本对和“源-源”样本对，对所述“目标-源”样本对和“源-源”样本对进行特征转换和合并后，分别得到“目标-源”特征和“源-源”特征；

4、步骤二，构建“目标-源”特征和“源-源”特征之间的经验最大均值差异模型，并计算“目标-源”特征和“源-源”特征之间的域自适应损失；

5、步骤三，基于所述域自适应损失构建多门控混合专家模型的整体损失函数，将所述“目标-源”特征和“源-源”特征输入到多门控混合专家模型中进行双任务监督优化训练，以获取磨削预测模型；

6、步骤四，基于所述磨削预测模型对机器人磨削的材料去除深度和平均表面粗糙度进行双预测。

7、作为进一步优选的，步骤一中，采用域自适应策略使得源域和目标域之间的数据对齐，将所述“目标-源”样本对和“源-源”样本输入至特征转换器中进行转换和合并后，分别得到“目标-源”特征和“源-源”特征。

8、作为进一步优选的，步骤一中，为了学习mrd与ra之间的共享知识，利用两个全连接层fc1和fc2进行特征变换；

9、所述特征转换器的合并层用于合并配对数据的变换后特征，以减少“目标-源”样本对和“源-源”样本对之间的域自适应损失。

10、作为进一步优选的，步骤二中，所域自适应损失计算模型包括：

11、

12、其中，ld表示“目标-源”样本对和“源-源”样本对的合并特征之间的域自适应损，[·,·]表示两个向量的串联，h(·)是将输入数据映射到共享特征空间的特征转换网络，xs为源特征，xt为目标特征，，xs为源域样本，xt为目标域样本。

13、作为进一步优选的，所述自适应损失计算模型中采用高斯核作为核函数，其定义如下：

14、φ(xi,xj)＝exp(-||xi-xj||2/(2σ2))

15、其中，σ是表示高斯核宽度的超参数。

16、作为进一步优选的，所述多门控混合专家模型中第k(k＝1，2，···，l)个任务的输出计算如下：

17、

18、其中，x表示输入数据或其变换后的特征，s是专家网络的数量，fi(·)表示第i个专家网络的映射函数，是第k个门控网络的输出，是权重矩阵，d为x的维度，表示第k个塔网络的映射函数，yk对应于塔网络的输出。

19、作为进一步优选的，利用adam优化算法来最小化所述多门控混合专家模型的整体损失函数并更新权重。

20、作为进一步优选的，所述整体损失函数表示如下：

21、l＝lr+λld，

22、其中，lr是标记源样本和目标样本的回归损失，ld表示“目标-源”样本对和“源-源”样本对的合并特征之间的域自适应损失，参数λ作为平衡回归损失和域自适应损失的惩罚项。

23、按照本发明的另一个方面，还提供了一种对偶域自适应双任务学习的机器人磨削预测系统，包括：

24、第一主控模块，用于将机器人磨削的历史工艺参数以及对应的新工艺参数循环配对，以形成“目标-源”样本对和“源-源”样本对，对所述“目标-源”样本对和“源-源”样本对进行特征转换和合并后，分别得到“目标-源”特征和“源-源”特征；

25、第二主控模块，用于构建“目标-源”特征和“源-源”特征之间的经验最大均值差异模型，并计算“目标-源”特征和“源-源”特征之间的域自适应损失；

26、第三主控模块，用于根据所述域自适应损失构建多门控混合专家模型的整体损失函数，将所述“目标-源”特征和“源-源”特征输入到多门控混合专家模型中进行双任务监督优化训练，以获取磨削预测模型；

27、第四主控模块，用于根据所述磨削预测模型对机器人磨削的材料去除深度和平均表面粗糙度进行双预测。

28、按照本发明的另一个方面，还提供了一种电子设备，包括：

29、至少一个处理器、至少一个存储器和通信接口；其中，

30、所述处理器、存储器和通信接口相互间进行通信；

31、所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行上述任意实施例或者多个实施例组合的一种对偶域自适应双任务学习的机器人磨削预测方法。

32、按照本发明的另一个方面，还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述任意实施例或者多个实施例组合的一种对偶域自适应双任务学习的机器人磨削预测方法。

33、总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

34、1.本发明提出了一种对偶域自适应双任务学习方法对机器人磨削中的材料去除深度和平均表面粗糙度进行联合预测。该方法的训练过程分为两个主要阶段。首先，将机器人磨削中的历史工艺参数和新加工参数循环配对以形成“目标-源”样本对和“源-源”样本对。随后，把两类样本对输入到特征转换器中，进行域自适应和监督双任务模型训练，从而实现材料去除深度和平均表面粗糙度的联合预测。

35、2.本发明提出了域自适应策略来使训练数据和测试数据之间的数据分布对应，以消除训练中历史工艺参数(训练数据)和新工艺参数(测试数据)之间数据分布差异的负面影响。

36、3.本发明对偶策略可以看作是一种数据增强方法，通过对目标样本和源样本进行循环分组来扩展有限数量的目标样本。与传统的数据增强方法(例如生成对抗网络(gan)、合成少数过采样技术(smote)和自适应合成(adasyn)算法)相比，所提出的对偶策略可以使用少量样本(甚至少至一个样本)来增加样本量。与样本复制方法相比，所提出的成对策略可以通过将有限数量的目标样本与足够数量的源样本相结合来显著提高增强目标样本的多样性，增强了在目标样本较少时的域自适应的能力。

37、4.本发明利用mmoe对材料去除能力和工件表面质量进行双任务预测。mmoe能够以加权方式对任务之间的关系进行建模。如果提供的任务相关性较低，则共享专家网络将受到惩罚，从而这些任务的门控网络将学会选择不同的专家网络，有效地平衡了材料去除深度和平均表面粗糙度之间的相关性和差异性。