基于 DRSN-BiLSTM 模型的刀具磨损预测方法研究
发布时间：2025-02-14
点击次数：
- DOI码：
- 10.3901/JME.2024.24.066
- 发表刊物：
- 机械工程学报
- 关键字：
- 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
- 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。
- 合写作者：
- 李金阳,刘亚雄
- 第一作者：
- 王海涛,史炜椿
- 论文类型：
- 期刊论文
- 通讯作者：
- 史丽晨
- 学科门类：
- 工学
- 文献类型：
- J
- 卷号：
- 60
- 期号：
- 24
- 页面范围：
- 66-74
- 是否译文：
- 否
- 发表时间：
- 2024-01-01
- 收录刊物：
- EI