基于Siamese CNN-LSTM的磨削变形预测方法

来源：计算机集成制造系统杂志2025年第12期北京时间：

作者：丁腾威, 冯硕, 李娜, 乔阳, 王相宇

单位：1.济南大学机械工程学院2.齐鲁理工学院智能制造与控制工程学院

摘要：传统CNN、LSTM及GRU等模型在处理磨削过程中的多变量耦合和信号非线性复杂性时,特征提取能力有限。本文提出了一种基于孪生CNN-LSTM网络的磨削变形预测方法,结合CNN的空间特征提取能力和LSTM的时间序列建模优势,提取磨削信号的局部与全局特征。通过共享权重的双输入结构,模型对比初始与当前信号特征,显著增强了磨削参数动态变化下的特征差异感知能力。试验表明,相较于传统单一模型(CNN、LSTM)、门控优化模型(GRU)及时空特征融合模型(CNN-LSTM),Siamese CNN-LSTM模型的验证集和测试集预测准确率分别达到95.86%和92.56%,较最优对照模型(CNN-LSTM)提升21.43%和15.64%且验证集RMSE和MAE显著降低,在复杂工况下表现出优异的预测精度和鲁棒性,为复杂工况下的变形预测提供了新的技术手段,具备广泛的应用潜力。

关键词：磨削变形预测,孪生神经网络,多变量耦合条件,特征对比学习

基金资助：山东省科技型中小企业创新能力提升工程资助项目(2022TSGC2581);山东省重点研发计划资助项目(2024JMRH0307);山东省高等学校“青创团队计划”资助项目(2023KJ110)。