基于深度门控循环单元神经网络的刀具磨损状态实时监测方法
来源：计算机集成制造系统杂志2020年第7期北京时间：
作者：陈启鹏,谢庆生,袁庆霓,黄海松,魏琴,李宜汀
单位：1.贵州大学现代制造技术教育部重点实验室2.贵州大学公共大数据国家重点实验室
摘要：为监测生产加工过程中的刀具磨损状态,提出一种基于深度门控循环单元神经网络的轻量化状态监测模型。首先,预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改善算法的鲁棒性;然后,利用卷积神经网络(CNN)从时序信号输入中自适应地提取特征,构建深度双向门控循环单元(BiGRU)神经网络学习特征向量间的时序信息,并将Attention机制的思想引入其中,自适应地感知对磨损状态分类结果有关联的网络权重,并对其进行合理分配,避免因人工提取特征带来的复杂性和局限性。实验结果表明,所提方法能够对传感器采集的原始数据实时准确地预测刀具磨损状态,在识别精度和泛化能力上均达到了较好的效果,为实际工业场景下的刀具磨损状态监测提供了新的思路。
关键词：刀具磨损状态,实时监测,小波去噪,卷积神经网络,双向门控循环单元,Attention机制
基金资助：国家重点研发计划资助项目(2018YFB1004305);国家973计划资助项目(2015CB856001);国家自然科学基金资助项目(51865004);贵州省科技重大专项计划资助项目(［2017］3004);贵州省科技厅科技资助项目(［2017］2870);贵州省教育厅科技人才支持计划资助项目(［2017］062)。
