基于多源特征增强与对抗性领域泛化方法的工具磨损状态监测技术，适用于未见过的机床

《JOURNAL OF INTELLIGENT MANUFACTURING》：Multi-source feature augmentation adversarial domain generalization method for tool wear condition monitoring on unseen machine tools

工具磨损监测数据不足导致跨机器泛化困难，本文提出基于特征增强的对抗域自适应方法，通过对抗学习与协方差域对齐提取不变特征，结合特征插值增强多样性，并采用大间隔损失提升分类能力，实验验证其有效提升跨机床泛化性能

　　

摘要

工具磨损状况监测对于确保加工精度和维持生产效率至关重要。然而，在现实世界的制造环境中，从各种机床收集足够的标记数据面临着重大挑战。这一限制使得开发能够从已知机床泛化到未知机床的方法变得尤为关键。本文提出了一种基于特征增强的对抗性领域泛化方法，该方法能够在训练过程中无需访问目标领域数据，就能有效地将工具磨损监测模型泛化到未知机床。首先，该方法通过对抗性学习和基于协方差的领域对齐来提取领域不变特征，从而确保模型对不同机床之间的领域变化具有鲁棒性。然后，利用特征插值策略对这些特征进行增强，以在保持领域不变性的同时增加特征的多样性。此外，采用较大的 margin 损失来提高生成标签的区分度，进一步提升了该方法的泛化性能。在四个数据集上进行的广泛实验表明，所提出的方法在泛化能力方面优于现有方法，从而为监测未知机床上的工具磨损状况提供了一种实用且有效的解决方案。