基于多尺度样本重构与多通道融合的刀具磨损预测
发布时间：2026-04-01
点击次数：
- 发表刊物：
- 制造业自动化
- 关键字：
- 刀具磨损;残差神经网络;堆叠双向长短时记忆网络;多尺度样本重构;
- 摘要：
- 刀具磨损预测对降本增效及保证加工质量意义重大。针对在环境噪声复杂，信噪比较低环境下刀具磨损相关信息特征提取困难、所提特征利用率低、预测精度和准确度不高等问题，首先提出了一种对振动信号进行多尺度样本重构（Multi-scale Sample Reconstruction,MSR）的方法来降低噪声对后续模型预测效果的影响，随后提出了一种以残差神经网络（Residual Neural Network , ResNet）和双向长短期记忆（Bidirectional Long Short-Term Memory Networks,BILSTM）网络集成模型为基础并通过在每个残差层融合交叉注意力机制（Criss Cross Attention,CCA），采用堆叠双向长短期记忆网络（Stacked Bidirectional Long Short-Term Memory Networks,SBILSTM）的改进模型，将改进模型与ResNet-BILSTM模型以及传统的深度学习模型进行对比，结果表明该方法很显著地提高了刀具磨损的预测精度和准确度。
- 合写作者：
- 张国宁,陈嘉铭,豆卫涛
- 第一作者：
- 李金阳
- 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：
- 47
- 期号：
- 9
- 页面范围：
- 9-18
- ISSN号：
- 1009-0134
- 是否译文：
- 否
- CN号：
- 11-4389/TP
- 发表时间：
- 2025-01-01