基于DRSN-BiLSTM模型的刀具磨损预测方法研究
来源：机械工程学报杂志2024年第24期北京时间：
作者：史丽晨, 史炜椿, 王海涛, 李金阳, 刘亚雄
单位：西安建筑科技大学机电工程学院 西安 710055
摘要：数控机床刀具磨损的预测对于提高刀具加工的安全性和产品加工质量具有重要意义。随着传感技术进步，制造业中用于设备状态监测的传感器数据量呈爆炸式增长，这促使了以深度学习为中心的数据驱动方法在刀具磨损预测领域受到高度重视。然而，如何精准地识别和提取与刀具退化紧密相关的特征，进而充分利用这些信息以提高预测模型的性能，仍然是一个挑战。针对以上问题，研究了一种基于深度学习的刀具磨损预测方法，将多通道筛选机制应用到预测模型中，提出基于深度残差收缩-双向长短期记忆网络模型的刀具磨损预测方法。根据监测信号的波动程度选择与刀具退化高度相关的多个通道进行融合，利用卷积通道注意力机制融合多通道数据并高效挖掘各个通道的抽象特征信息，后建立双向长短期记忆回归模型提取特征与刀具磨损相关的时序信息对刀具磨损进行准确预测。通过试验验证了通道筛选机制的有效性与预测模型精度。
关键词：刀具磨损,多通道融合,深度学习,深度收缩残差网络,双向长短时神经网络；
基金资助：国家自然科学基金资助项目(51975176)。
