典型文献
基于元学习和PINN的变工况刀具磨损精确预测方法
文献摘要：
刀具磨损预测对保证零件加工质量和效率、降低加工成本具有重要作用,尤其是在广泛采用难加工材料的航空航天制造领域.数据与机理融合模型能够结合机理模型和数据驱动模型的优势,是实现刀具磨损预测的有效手段.然而现有的融合方法难以有效平衡数据和机理对模型的权重,导致难以真正实现融合模型的预期效果.本文提出了一种基于元学习(Meta learning,ML)和PINN(Physics?informed neural network)的刀具磨损预测方法,通过磨损机理约束数据驱动模型的解空间,并结合元学习算法优化融合模型的损失函数以合理利用数据和机理提供的信息.实例验证结果表明,本文所提出的方法能有效提高变工况下的刀具磨损预测精度和稳定性.
文献关键词：
航空航天制造;刀具磨损预测;数据与机理;元学习;损失函数优化
中图分类号：
作者姓名：
万鹏;李迎光;华家玘;刘长青
作者机构：
南京航空航天大学机电学院,南京 210016
文献出处：
引用格式：
[1]万鹏;李迎光;华家玘;刘长青-.基于元学习和PINN的变工况刀具磨损精确预测方法)[J].南京航空航天大学学报,2022(03):387-396
A类：
B类：
元学习,PINN,变工况,精确预测,刀具磨损预测,零件加工,加工质量,质量和效率,加工成本,难加工材料,航空航天制造,制造领域,数据与机理,融合模型,结合机理,机理模型,数据驱动模型,融合方法,预期效果,learning,ML,Physics,informed,neural,network,过磨,磨损机理,解空间,算法优化,优化融合,损失函数优化
AB值：
0.32456
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
