(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210751197.7 (22)申请日 2022.06.29 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 何彦　钟睿　吴鹏程　李育锋　 杨波　 (74)专利代理 机构 重庆航图知识产权代理事务 所(普通合伙) 50247 专利代理师 胡小龙 (51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) (54)发明名称 基于自适应局部学习实现长时和多元时变 特性的加工温度监测方法 (57)摘要 本发明公开了一种基于自适应局部学习实 现长时和多元时变特性的加工温度监测方法， 包 括如下步骤： 步骤1)： 局部域的自适应识别： 使用 滑动窗口策略和性能图的t 检验分析对全局数据 进行划分， 保证每一个局部域的预测性能； 步骤 2)： 转换动力学识别： 针对每一个局部域， 提取局 部空间互相关和时间自相关的动态特征， 使用 DCNN建立局部预测模型； 步骤3)： 局部域自适应 结合： 使用贝 叶斯集成学习结合局部预测模型。 本发明基于自适应局部学习实现长时和多元时 变特性的加工温度监测方法， 避免了人工设置参 数划分局部域的不可靠性， 同时能够更好地提取 长时时变特征， 更加精确有效地获得工艺数据多 元层次动态特 征。 权利要求书3页 说明书11页 附图2页 CN 115099038 A 2022.09.23 CN 115099038 A 1.一种基于自适应局部学习实现长时和多元时变特性的加工温度监测方法， 其特征在 于： 包括如下步骤： 步骤1)： 局部域的自适应识别： 使用滑动窗口策略和性能图的t检验分析对全局数据进 行划分， 保证 每一个局部域的预测性能； 步骤2)： 转换动力学识别： 针对每一个局部域， 提取局部空间互相关和时间自相关的动 态特征， 使用DCN N建立局部预测模型； 步骤3)： 局部域自适应结合： 使用贝叶斯 集成学习结合局部预测模型。 2.根据权利要求1所述基于自适应局部学习实现长时和多元时变特性的加工温度监测 方法， 其特 征在于： 所述 步骤1)中， 对 全局数据进行划分的方法为： 11)展开体积数据： 采用三维矩阵的形式表示训练数据 其中， I表示表征时 变特性的数据， J表示工艺信息， K为时间戳； 12)转换数据维度； 将训练数据转换成二维矩阵： 其中， Zk＝[Xk,Yk]， X,Y分别是输入和输出的数据矩阵； 13)划分局部域： 将滑动窗口 的宽度初始化 为u， 则训练窗口为： Ztraining＝[Z1T,...,ZuT]T＝[[X1,Y1]T,...,[Xu,Yu]T]T 其中， u表示训练窗口时间戳的结束标志； 滑动窗口向前 走一步形成一个测试窗口： Ztest＝[Z2T,...,Zu+1T]T＝[[X2,Y2]T,...,[Xu+1,Yu+1]T]T 14)根据训练窗口和 测试窗口， 得到性能图Ei为： 其中， Ei表示性能图， i表示训练和测试阶段， 训练阶段得到性能 图Etraining， 测试阶段得 到性能图Etest； fMW表示采用训练窗口Ztraining训练得到的局部预测模型； n表示训练和测试窗 口中的样本数； 采用t检验评估训练窗口和 测试窗口 的相似性， 原假设和备 择假设分别为： 其中， H0表示原假设； H1表示备择假设； μ表示了性能图中每一个标准的平均值； 15)在设定检验水平下， t检验的结果 为： h＝t‑test(Etraining,Etest) 若h＝0， 则 接受原假设， 表示训练窗口和测试窗口的性能图没有大的不同， 滑动窗口向 前移动一 步形成新的训练窗口和 测试窗口； 循环执 行步骤14)， 直至 h＝1； 若h＝1， 则 接受备择假设， 表示训练窗口和测试窗口的性能图的性能图有很大不同， 识权　利　要　求　书 1/3 页 2 CN 115099038 A 2别得到局部域； 其中， ZLD,m表示识别得到的第m个局部域的数据集； km表示第m个局部域的时间戳的结束 标志； 判断全局数据是否被划分完成， 若是， 则执 行步骤16)； 若否， 则创建新的局部域： 其中， v表示 新建第m+1个局部域与识别得到的第m个局部域之间的重 叠宽度； 执行步骤14)； 16)全局数据被划分完成， 得到所有的局部域： {ZLD,1,...,ZLD,m,...,ZLD,M} 其中， M表示局部域数量。 3.根据权利要求1所述基于自适应局部学习实现长时和多元时变特性的加工温度监测 方法， 其特 征在于： 使用DCN N建立局部预测模型的方法为： 21)建立连续的移动窗口 表示局部域中第i个时间戳标志； 每一个变量在时间 序列中的连续窗口可以建立成一个动态 矩阵： 其中， 表示第i个局部域的多元输入样本； 表示第i+1个局部域的多元输入样本； 表示第i个局部域的多元输入样本中的第z个输入参数； ki表示第i个局部域的时间戳标 志； 22)提取特征图谱： 使用卷积矩阵， 在局部样本上获得关于采样时间ki和ki+1上 和 在时空上的结合特 征， 在局部样本中空间特 征提取方法为： 23)利用非线性激活函数将提取的时空特 征转换为更非线性的表示； 24)执行最大池化操作， 利用全连接层和回归层将得到的特征图进行连接， 实现预测功权　利　要　求　书 2/3 页 3 CN 115099038 A 3