周慧慧,張執(zhí)南,2*

(1.上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院,上海 200240;2.上海交通大學(xué) 機(jī)械系統(tǒng)與振動(dòng)國家重點(diǎn)實(shí)驗(yàn)室,上海 200240)

刀具狀態(tài)對工件加工質(zhì)量有著重要影響[1].刀具磨損過度會(huì)降低加工精度和速度，生產(chǎn)出殘次品，造成時(shí)間與材料的浪費(fèi)；而頻繁停機(jī)換刀，會(huì)提高刀具成本，且刀具的多次拆裝極其影響加工進(jìn)度[2].因此，需要準(zhǔn)確地判斷刀具的磨損情況從而確定合理的換刀時(shí)間以及優(yōu)化刀具設(shè)計(jì).

目前，常用的刀具磨損監(jiān)測方法主要有兩種，一種是基于機(jī)器視覺的直接監(jiān)測法，另一種是基于傳感器信號(hào)的間接監(jiān)測法[3].視覺監(jiān)測法可以更加直觀量化地獲得刀具磨損量[4-7]，但需要在刀具停止工作時(shí)拍攝清晰的圖像，且清除對成像質(zhì)量造成干擾的刀具表面吸附的灰塵也較為耗時(shí)，因而在大批量加工過程中加入拍照步驟會(huì)大幅降低生產(chǎn)效率.基于傳感器信號(hào)的磨損實(shí)時(shí)監(jiān)測方法應(yīng)用更為普遍，基于傳感器信號(hào)的刀具磨損狀態(tài)監(jiān)測法主要是先采集加工過程中的切削力、振動(dòng)、聲發(fā)射和主軸電流等信號(hào)[8-11]，然后采用機(jī)器學(xué)習(xí)方法通過對信號(hào)的分析處理確定信號(hào)與磨損量之間的關(guān)系，從而在生產(chǎn)過程中依據(jù)信號(hào)來判斷刀具的磨損狀態(tài)[12-15].但在根據(jù)傳感器信號(hào)建立預(yù)測模型階段，仍需要用準(zhǔn)確的磨損值作為標(biāo)簽，相比于傳統(tǒng)的顯微鏡離線檢測，使用機(jī)器視覺對刀具磨損量進(jìn)行在位檢測，可以明顯提高試驗(yàn)效率且避免拆裝引起的誤差.

數(shù)據(jù)驅(qū)動(dòng)的刀具磨損狀態(tài)監(jiān)測法，在單工況場景下建立的模型可以對同分布數(shù)據(jù)達(dá)到很好的預(yù)測效果.但試驗(yàn)表明，即使是相同型號(hào)的刀具在相同工況參數(shù)下的磨損增長曲線的斜率和轉(zhuǎn)折點(diǎn)均有不同[8]，而真實(shí)應(yīng)用中往往存在多種工況場景，所以依據(jù)現(xiàn)有的刀具數(shù)據(jù)建立的模型通常不能很好的應(yīng)用到新場景中，針對這種樣本有限的問題，遷移學(xué)習(xí)方法提供了解決思路.

遷移學(xué)習(xí)是指建立源領(lǐng)域和目標(biāo)領(lǐng)域的關(guān)聯(lián)關(guān)系，使在源領(lǐng)域中獲得的知識(shí)可以為目標(biāo)領(lǐng)域所用[16]，在提高新領(lǐng)域模型建立效率的同時(shí)，避免了目標(biāo)領(lǐng)域數(shù)據(jù)量較少而引發(fā)的過擬合問題.常用的遷移方法有基于特征的遷移與基于模型的遷移[17-19].但目前對刀具磨損預(yù)測的研究多是針對立銑刀的三種磨損狀態(tài)[20]，并且分類模型的結(jié)果在樣本較少且不平衡的狀態(tài)下具有一定偶然性[21]，因此對磨損量的預(yù)測則更能準(zhǔn)確反映刀具磨損情況.另外面銑刀刀片較厚且含有涂層，較之立銑刀，其磨損曲線不存在初期快速磨損期，且穩(wěn)定磨損階段與急劇磨損階段分界點(diǎn)較不明顯，也不適合對磨損狀態(tài)進(jìn)行分類.

本文中基于摩擦信息學(xué)框架[22]，針對含涂層的面銑刀，采集其力信號(hào)、振動(dòng)信號(hào)和聲發(fā)射信號(hào)作為輸入，以機(jī)器視覺方法在位測量真實(shí)磨損量作為標(biāo)簽，建立磨損預(yù)測模型.同時(shí)應(yīng)用遷移學(xué)習(xí)方法，將從歷史刀具數(shù)據(jù)提取的信號(hào)特征與磨損特征遷移到新的目標(biāo)刀具的預(yù)測模型建立中，這種方法能夠解決新刀具樣本不足的問題.

1 試驗(yàn)設(shè)計(jì)

面銑刀切削試驗(yàn)使用Deckel Maho DMU50 五軸銑削機(jī)床，如圖1所示，其中x方向?yàn)檫M(jìn)給方向，z方向?yàn)榈毒咻S向.在機(jī)床內(nèi)安裝JHSM1400f彩色工業(yè)相機(jī)，搭配4 mm鏡頭進(jìn)行在位磨損圖像拍攝.加工工件材質(zhì)為3Cr13不銹鋼，聲發(fā)射傳感器與振動(dòng)傳感器安裝在工件上，工件安裝在Kistler 5697A三軸測力儀上.采集的信號(hào)數(shù)據(jù)經(jīng)過采集卡轉(zhuǎn)換成電壓信號(hào)后，傳輸至計(jì)算機(jī)并構(gòu)建原始數(shù)據(jù)集.面銑刀使用山高四刃刀桿，直徑為50 mm，刀片型號(hào)為SEMX1204AFTNM15 F40M.加工過程中，固定參數(shù)為切寬50%，采樣頻率為4 kHz，可調(diào)整的加工參數(shù)為進(jìn)給速度(vf)、轉(zhuǎn)速(n)和切削深度(ap)，并且可以計(jì)算出每轉(zhuǎn)進(jìn)給量f，試驗(yàn)的具體加工參數(shù)列于表1中.

Fig.1 Experimental setup圖1 試驗(yàn)搭建圖

表1 試驗(yàn)加工參數(shù)Table 1 Parameters of processing

試驗(yàn)開始前先將銑刀移動(dòng)到拍照區(qū)，記錄未磨損時(shí)的刀片圖像，然后開始切削循環(huán)，每次切削切除1層工件材料.切削全程使用傳感器采集3個(gè)方向的力信號(hào)和力矩信號(hào)、x方向振動(dòng)信號(hào)、y方向聲發(fā)射信號(hào)共8個(gè)信號(hào)，本層切削結(jié)束后再次回到拍照區(qū)，記錄本次切削完成后的磨損圖像，此時(shí)1次切削循環(huán)結(jié)束.每次試驗(yàn)以刀片未磨損開始，直到刀具過度磨損或工件消耗完畢時(shí)停止.

2 數(shù)據(jù)處理與磨損預(yù)測方法

本文中使用的數(shù)據(jù)處理方法主要分為三部分：信號(hào)預(yù)處理與特征提取，特征遷移和磨損預(yù)測(圖2).

Fig.2 Methods and procedures of data treating圖2 數(shù)據(jù)處理方法與步驟

2.1 數(shù)據(jù)處理與特征提取

2.1.1 傳感器信號(hào)數(shù)據(jù)預(yù)處理與特征提取

從傳感器采集到的數(shù)據(jù)通常包含非切削因素的干擾，且信號(hào)存在高頻噪音，因而需要對原始信號(hào)進(jìn)行濾波.為了確定濾波方式及濾波閾值，可先觀察信號(hào)頻譜圖隨磨損的變化，在全部磨損數(shù)據(jù)中等分抽取5次數(shù)據(jù)對其進(jìn)行快速傅里葉分解并對比磨損增長過程中各頻率子波幅值的變化.

根據(jù)快速傅里葉分解(Fast Fourier transform，F(xiàn)FT)后的子波分布，可將信號(hào)分為兩類：第一類是力(F)與力矩(M)信號(hào)；第二類是振動(dòng)(V)與聲發(fā)射(AE)信號(hào).以x方向切削力(Fx)信號(hào)為例，分解后，信號(hào)的主要子波分布在頻率小于250 Hz的波段，且隨著磨損量的增長，可以明顯觀察到低頻區(qū)幅值的增長[圖3(a)].因此，可采取低通濾波的方式排除噪音干擾，濾波閾值可選250 Hz.可以對振動(dòng)和聲發(fā)射信號(hào)采用同樣的方法進(jìn)行濾波方式與閾值確定，該信號(hào)主要子波分布在較高頻段，且存在由環(huán)境引起的穩(wěn)定低頻波[圖3(b)]，因而選擇帶通濾波器，閾值選取為700 Hz和1 800 Hz.另外，單次走刀過程的力信號(hào)[圖3(c)]可以分為兩個(gè)部分：切削階段和退刀階段，其中更能反映刀具磨損狀態(tài)為切削階段.濾波后[圖3(d)]，切削階段的信號(hào)波形被高度保留，而退刀階段的信號(hào)波動(dòng)被過濾.

Fig.3 Spectrum and signal: (a)spectrum of Fx after FFT,(b)spectrum of AE after FFT,(c)Fx signal for one cut,(d)Fx signal for one cut after filtering圖3 頻譜圖與信號(hào)圖：(a)Fx信號(hào)快速傅里葉分解后頻譜圖；(b)AE信號(hào)快速傅里葉分解后頻譜圖；(c)單次走刀時(shí)的Fx信號(hào)；(d)濾波后的單次走刀Fx信號(hào)對比

信號(hào)采樣頻率為4 kHz，因此每次切削獲得的原始信號(hào)數(shù)據(jù)多于35萬行，若將其直接放入模型進(jìn)行計(jì)算，需要更為復(fù)雜的模型，因而需要進(jìn)行特征提取.首先對原始信號(hào)進(jìn)行時(shí)域分析，提取最大值、最小值、均值、中位數(shù)和標(biāo)準(zhǔn)差.其次，對原始信號(hào)進(jìn)行快速傅里葉變換，從變換后的頻譜信息中，提取最大值、均值、中位數(shù)和標(biāo)準(zhǔn)差等特征.每個(gè)信號(hào)提取9個(gè)特征，總計(jì)72個(gè)特征.

2.1.2 磨損特征提取

圖片處理過程包括3個(gè)步驟：圖片預(yù)處理、邊緣識(shí)別和磨損特征提取.相機(jī)得到的原始圖片為整個(gè)刀片圖像[圖4(a)]，大小為1 352×596像素，而磨損區(qū)域?yàn)?.1 mm量級(jí)，相較于刀片本身尺寸非常小，所以原始照片中包含大量無用且可能產(chǎn)生干擾的環(huán)境信息.對關(guān)鍵區(qū)域進(jìn)行裁剪可以有效避免環(huán)境的干擾，也為之后磨損邊緣的識(shí)別提高準(zhǔn)確性.依據(jù)最大磨損區(qū)域進(jìn)行圖片裁剪，裁剪后圖片大小為320×96像素[圖4(b)].

Fig.4 Steps of image processing: (a)raw image,(b)cropped image,(c)gray image,(d)filtered image,(e1)upper edge detection,(e2)lower edge detection,(f1)upper edge extraction,(f2)lower edge extraction,(g1)upper edge repairing,(g2)low edge repairing,(h1)comparison of upper edge and all edges,(h2)comparison of lower edge and all edges圖4 圖像處理步驟：(a)原始圖片；(b)裁剪后圖片；(c)灰度圖；(d)濾波后圖片；(e1)上邊緣檢測；(e2)下邊緣檢測；(f1)擬上邊緣提??；(f2)擬下邊緣提??；(g1)上邊緣修補(bǔ)；(g2)下邊緣修補(bǔ)；(h1)上邊緣與所有邊緣對比圖；(h2)下邊緣與所有邊緣對比圖

彩色圖像包含R、G和B 3個(gè)通道的信息，而實(shí)際上磨損邊緣監(jiān)測并不需要顏色信息，所以對圖像灰度化處理可以有效降低計(jì)算量且保證檢測結(jié)果的準(zhǔn)確性.通過對加權(quán)法，均值法與單通道發(fā)的結(jié)果進(jìn)行對比后，選擇G通道的單通道圖作為灰度圖[圖4(c)].原始圖像具有一定噪點(diǎn)，使用5×5的均值濾波器可以有效消除非邊界區(qū)域的噪點(diǎn)，并保留邊界處清晰度[圖4(d)].

采用Canny算法得到的邊緣圖像包括磨損凹坑上邊緣、涂層脫落下邊緣以及兩個(gè)邊緣之間的一些未被刪除的弱邊緣[圖4(e1)和(e2)].上邊緣的提取首先需要從上向下逐列掃描，提取每列最靠上的邊緣點(diǎn)作為擬上邊緣.但擬上邊緣與真實(shí)的上邊緣相比仍存在誤差，如在上邊緣不明顯處的下邊緣點(diǎn)被錯(cuò)誤選中,以及強(qiáng)邊緣上方存在粘連灰塵導(dǎo)致的弱邊緣時(shí)該弱邊緣點(diǎn)被錯(cuò)誤選中[圖4(f1)]，所以需要對擬上邊緣進(jìn)行修正.修正方式為從左向右掃描擬上邊緣，對于每個(gè)邊緣點(diǎn)i重新以扇形方式向右尋找最近的邊緣點(diǎn)j，若j不在i的下一列，刪除i點(diǎn)與j點(diǎn)之間的錯(cuò)誤邊緣點(diǎn)，并將i點(diǎn)與j點(diǎn)相連，修正后得到完整的磨損上邊緣[圖4(g1)].下邊緣的提取采取相同的方法[圖4(f2～h2)].

得到上下邊緣曲線后，將圖片與未磨損圖片疊加，可以識(shí)別出兩個(gè)磨損區(qū)域(圖5)，白色區(qū)域?yàn)榘伎訁^(qū)，灰色區(qū)域?yàn)橥繉用撀鋮^(qū).立銑刀刀片較薄，其磨損形式主要為凹坑和刀尖缺失；車刀刀片較厚，其磨損形式主要為涂層脫落；面銑刀刀片厚度介于兩者之間，因而其磨損形式既有凹坑又有涂層脫落.涂層剝落與刀尖破損都會(huì)引起刀具的失效[23]，因此提取磨損特征時(shí)要綜合考慮這兩種磨損形式.本文中對兩個(gè)區(qū)域像素點(diǎn)數(shù)采取加權(quán)相加方式，經(jīng)對磨損形貌的分析，凹坑區(qū)域磨損權(quán)重定為1，涂層脫落區(qū)域磨損權(quán)重定為0.8，和后刀面相對摩擦，分別計(jì)算后刀面的最大磨損寬度，平均磨損寬度和磨損面積.考慮到后刀面的磨損更加劇烈且對加工表面質(zhì)量影響更大，且面積特征更能抵抗噪點(diǎn)干擾，本文中使用后刀面磨損面積作為主要磨損特征，即刀具磨損監(jiān)測的對象.

Fig.5 Wear area identification圖5 磨損區(qū)域識(shí)別

對每個(gè)信號(hào)采取同樣的特征提取方式會(huì)引入一些無關(guān)特征，因而進(jìn)行初步特征選擇可以排除無關(guān)特征對結(jié)果的干擾，也可以提高運(yùn)算效率.但是，在特征遷移前，仍要保留一定量的冗余特征，為之后根據(jù)遷移效果的特征選擇留有余地.本文中采用皮爾遜相關(guān)性分析來進(jìn)行特征初步選擇，使用試驗(yàn)1的數(shù)據(jù)對每個(gè)特征計(jì)算其與磨損量的相關(guān)性后(附錄1)，去掉相關(guān)性系數(shù)小于0.6的特征，此時(shí)還有43個(gè)特征.特征X和特征Y的相關(guān)性系數(shù)計(jì)算公式如下：

2.2 特征遷移方法

特征提取完成后，獲得刀具加工過程中的信號(hào)特征與加工間隙的磨損特征.將基于歷史刀具前期數(shù)據(jù)提取的特征作為源特征，將新刀具前期數(shù)據(jù)提取的特征作為目標(biāo)特征.

特征遷移首先需要使用磨損前期的數(shù)據(jù)建立遷移模型：對源領(lǐng)域特征和目標(biāo)領(lǐng)域特征分別進(jìn)行歸一化放縮，使得每個(gè)特征都在0～1之間分布.變換后，對于源領(lǐng)域的每個(gè)特征，找到目標(biāo)域中與其對應(yīng)的特征，構(gòu)建一對一線性遷移模型.以遷移后的特征與目標(biāo)特征最大均值差異(Maximum mean discrepancy,MMD)作為評價(jià)函數(shù)，得到最優(yōu)遷移參數(shù).

特征Xij的線性遷移模型公式如下

式中ft和fs分別為目標(biāo)域和源域的特征歸一化處理函數(shù)，ai和bi為遷移參數(shù)，Xij∈Rm×n，m為特征數(shù)量，n為樣本數(shù)量.

MMD距離評價(jià)函數(shù)用于計(jì)算遷移特征Xtr,i與目標(biāo)特征Xt,i之間的分布差異,φ為核函數(shù)，本文中選用徑向基函數(shù) (Radial basis function，RBF)：

建立特征遷移模型后，應(yīng)用于已按源域歸一化處理后的源特征全部數(shù)據(jù)，得到0～1分布的遷移特征后，按目標(biāo)域反歸一化還原，得到最終的遷移特征.但是，由于一些特征獨(dú)特的差異性，并不是所有特征都能遷移成功，這就需要對遷移后的特征進(jìn)行選擇.使用遷移特征與目標(biāo)特征前150組數(shù)據(jù)，分別計(jì)算對應(yīng)特征之間的MMD距離(附錄2)，選擇出滿足MMD距離小于0.5的遷移特征，即為成功遷移的特征.圖6所示為特征遷移前后特征與目標(biāo)特征的對比圖，其中橫坐標(biāo)為每次試驗(yàn)提取的300組數(shù)據(jù)，縱坐標(biāo)為特征值，藍(lán)線為源數(shù)據(jù)集中的特征值，紅線為目標(biāo)數(shù)據(jù)集中的特征值，黃線為遷移后的特征值，左圖為遷移效果較好特征，右圖為遷移效果欠佳特征.可以看出成功遷移的特征較源特征更加接近目標(biāo)特征，但仍保持著源特征的變化趨勢.篩選后，試驗(yàn)1到試驗(yàn)2成功遷移的信號(hào)特征數(shù)量為29，試驗(yàn)1到試驗(yàn)3成功遷移的信號(hào)特征數(shù)量為20(表2)，證明此遷移方法對大部分特征能進(jìn)行有效遷移，且成功遷移的特征數(shù)對于磨損預(yù)測模型的建立仍是充足的.

表2 成功遷移特征Table 2 Well-transferred Features

Fig.6 Example of feature transfer (a)good case; (b)bad case圖6 特征遷移示例 (a)遷移成功特征；(b)遷移失敗特征

2.3 磨損預(yù)測方法

隨機(jī)森林回歸方法是一種經(jīng)典的集成監(jiān)督學(xué)習(xí)方法，該模型能很好的處理高維輸入特征，且較深度神經(jīng)網(wǎng)絡(luò)擁有更快的運(yùn)算速度同時(shí)能保證結(jié)果的準(zhǔn)確性.網(wǎng)格搜索法常用于機(jī)器學(xué)習(xí)模型的超參數(shù)選擇，其原理是將各個(gè)備選參數(shù)值排列組合在訓(xùn)練集上進(jìn)行交叉驗(yàn)證，從而基于評分函數(shù)選取效果最好的一組參數(shù).本文中使用網(wǎng)格搜索法對隨機(jī)森林模型的主要超參數(shù)進(jìn)行選擇，其參數(shù)搜索范圍列于表3中，最終隨機(jī)森林模型的超參數(shù)取值列于表4中.

表3 超參數(shù)網(wǎng)格搜索范圍Table 3 Range of grid-search for hyper parameters

表4 隨機(jī)森林模型最終超參數(shù)取值Table 4 Value of hyper parameters of random forest

3 結(jié)果與討論

獲得遷移特征后，使用隨機(jī)森林模型進(jìn)行預(yù)測.為了對比遷移效果，建立了4個(gè)預(yù)測模型：模型1將含72個(gè)特征的源數(shù)據(jù)集作為訓(xùn)練集，含72個(gè)特征的目標(biāo)數(shù)據(jù)集作為測試集；模型2相比模型1進(jìn)行了特征初步選擇，以選擇后含43個(gè)特征的源數(shù)據(jù)集作為訓(xùn)練集，以含對應(yīng)的43個(gè)特征的目標(biāo)數(shù)據(jù)集作為測試集；模型3以含遷移后43個(gè)特征的遷移數(shù)據(jù)集作為訓(xùn)練集，以含對應(yīng)的43個(gè)特征的目標(biāo)數(shù)據(jù)集作為測試集；模型4對遷移后的特征進(jìn)行二次選擇，以含遷移成功的29或20個(gè)特征的遷移數(shù)據(jù)集作為訓(xùn)練集，以含遷移成功的29或20個(gè)特征的目標(biāo)數(shù)據(jù)集作為測試集，源數(shù)據(jù)集、遷移數(shù)據(jù)集與目標(biāo)數(shù)據(jù)集均含有約300組數(shù)據(jù).

回歸預(yù)測結(jié)果評估通常使用決定系數(shù)(R squared)，均方誤差(Mean squared error ，MSE)，均方根誤差(Root mean squard error，RMSE)等評價(jià)函數(shù).函數(shù)計(jì)算公式如下，其中yp為預(yù)測值，yt為真實(shí)值，為真實(shí)值均值：

4個(gè)模型的比較結(jié)果列于表5中，從表5可知，模型4的決定系數(shù)達(dá)到0.96，與模型1和2相比較，提升超過150%，證明特征遷移在多工況場景下的成功應(yīng)用.

表5 預(yù)測模型結(jié)果評估Table 5 Results evaluation of prediction models

圖7中更直觀地比較了4個(gè)模型的磨損預(yù)測值與真實(shí)磨損值之間的差距.由于刀具磨損初期磨損量較小且增長緩慢，因而信號(hào)受到環(huán)境影響波動(dòng)相對較大，模型4對磨損前期的預(yù)測誤差較大，但對磨損后期的預(yù)測有更好的效果，這也是對換刀時(shí)間的判斷起到更為重要作用的關(guān)鍵時(shí)期.

Fig.7 Comparison of predict wear and real wear for 4 model (a)target 1; (b)target 2圖7 4個(gè)模型預(yù)測磨損值與真實(shí)磨損值對比 (a)目標(biāo)數(shù)據(jù)集1； (b)目標(biāo)數(shù)據(jù)集2

4 結(jié)論

a.驗(yàn)證了數(shù)據(jù)驅(qū)動(dòng)磨損監(jiān)測方法的可行性.采集加工過程中力信號(hào)，力矩信號(hào)，振動(dòng)信號(hào)和聲發(fā)射信號(hào)經(jīng)特征提取后作為輸入信息，應(yīng)用隨機(jī)森林方法可實(shí)時(shí)推測出刀具磨損信息.

b.提出和驗(yàn)證了一種模型建立所需的磨損標(biāo)準(zhǔn)值的在位獲得方法.使用機(jī)器視覺方法在試驗(yàn)過程中在位采集磨損圖片進(jìn)行邊緣提取和磨損區(qū)域識(shí)別，避免拆裝誤差且提高試驗(yàn)效率.

c.提出和驗(yàn)證了一種適用于相似場景下的面銑刀磨損預(yù)測方法.對于同類型刀具以及加工材料的條件下，面向不同工況參數(shù)的新場景，實(shí)現(xiàn)了基于歷史數(shù)據(jù)提取的特征向新場景的遷移.結(jié)果表明，遷移后的磨損預(yù)測結(jié)果其決定系數(shù)可達(dá)到0.96，相比于遷移前提升超過150%，驗(yàn)證了該方法的有效性.

d.基于摩擦信息學(xué)研究框架，采用機(jī)器學(xué)習(xí)方法為摩擦學(xué)系統(tǒng)條件轉(zhuǎn)化研究提供了研究思路及參考案例.

附錄

1)特征相關(guān)性系數(shù)表

IndexFeatureCorrelation coefficient IndexFeatureCorrelation coefficient 1 Mz_min0.996 4 37AE_fft_max0.697 6 Fx_mean0.996 438AE _min0.678 6 3 Fx_fft_max0.996 339Vx_min0.658 0 4 Mz_mean0.996 240Mz_median0.657 0 5 Fy_fft_max0.995 741Mz_std0.657 0 6 Fx_min0.995 342Fz_std0.620 7 7 Fz_mean0.995 243Fz_median0.620 7 8 Mz _max0.995 244Vx _mean0.569 4 9 Fz_fft_max0.995 045AE _median0.542 2 10Fy_mean0.993 646AE _std0.542 2 11Fx_fft_mean0.992 247Vx_median0.472 5 12Fz_fft_mean0.991 748Vx_std0.472 5 13My_max0.991 049AE _fft_mean0.449 2 14My_mean0.990 550Mx_fft_max0.433 8 15Mz_fft_mean0.989 251Mx_mean0.415 6 16Fy_min0.988 452Fx_fft_median0.393 1 17Fy_median0.987 753Fx_fft_std0.393 1 18Fy_std0.987 754Fz_fft_std0.392 4 19Fz_max0.986 655Fz_fft_median0.392 4 20Fy_fft_mean0.984 456Mx_fft_std0.378 7 21Fx_std0.976 857Mx_fft_median0.378 7 22Fx_median0.976 858Mz_fft_std0.291 2 23My_fft_max0.974 659Mz_fft_median0.291 2 24Mz_fft_max0.972 060Mx_std0.241 4 25My_std0.970 761Mx_median0.241 4 26My_median0.970 762My_min0.189 0 27Vx_fft_mean0.951 363AE _mean0.147 1 28My_fft_mean0.949 564Mx_max0.137 2 29Mx_min0.939 865Fy_fft_std0.096 9 30Fx_max0.893 166Fy_fft_median0.096 9 31Vx_max0.874 867My_fft_std0.081 8 32Mx_fft_mean0.841 868My_fft_median0.081 8 33Fz_min0.803 569Vx_fft_median0.000 0 34Fy_max0.779 470AE_fft_median0.000 0 35AE_max0.730 371Vx_fft_std0.000 0 36Vx_fft_max0.698 272AE_fft_std0.000 0 2

2)遷移后特征最大均值差異(MMD loss)表

試驗(yàn)1到試驗(yàn)2的遷移特征的最大均值差異表

試驗(yàn)1到試驗(yàn)3的遷移特征的最大均值差異表