基于時(shí)間卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的多域特征融合刀具磨損預(yù)測(cè)

李先旺，秦學(xué)敬，賀德強(qiáng)，吳金鑫，楊錦飛

(廣西大學(xué)機(jī)械工程學(xué)院，廣西南寧 530004)

0 前言

作為智能制造業(yè)的關(guān)鍵部件，加工刀具的磨損可導(dǎo)致機(jī)器停機(jī)時(shí)間高達(dá)20%和嚴(yán)重降低加工精度，嚴(yán)重磨損時(shí)會(huì)直接導(dǎo)致零件報(bào)廢、機(jī)床損壞[1]。提高制造設(shè)備的可靠性和可維護(hù)性是智能制造中最重要的任務(wù)之一，需要使用故障診斷和預(yù)測(cè)技術(shù)提高生產(chǎn)率，同時(shí)降低維護(hù)成本[2]。刀具的良好狀況對(duì)加工的效率和精度有直接影響，因此，一個(gè)可靠、準(zhǔn)確的刀具磨損預(yù)測(cè)系統(tǒng)成為當(dāng)前迫切的需求，也是加工制造領(lǐng)域的研究熱點(diǎn)。

近年來(lái)，學(xué)者們?cè)诘毒吣p預(yù)測(cè)領(lǐng)域進(jìn)行了大量的研究工作，其研究思路主要是通過(guò)建立信號(hào)特征與刀具磨損之間復(fù)雜的映射關(guān)系。在建立關(guān)系過(guò)程中有2個(gè)關(guān)鍵技術(shù)：特征提取和預(yù)測(cè)技術(shù)。對(duì)于特征提取，相關(guān)研究表明：信號(hào)的時(shí)域、頻域和時(shí)頻域特征可作為反映刀具健康狀況的指標(biāo)。鐘奇憬等[3]提取了切削力信號(hào)的時(shí)域、頻域和小波域特征以表征刀具磨損狀況。戴穩(wěn)等人[4]提取振動(dòng)信號(hào)的多個(gè)統(tǒng)計(jì)特征和小波包分解各頻帶信號(hào)能量用于刀具磨損識(shí)別。然而，這些提取的特征僅針對(duì)特定的信號(hào)或領(lǐng)域，顯然很難實(shí)現(xiàn)刀具磨損的通用表征。鑒于刀具磨損信號(hào)的非線(xiàn)性和非平穩(wěn)特性，傳統(tǒng)的時(shí)域分析方法已不能滿(mǎn)足刀具磨損預(yù)測(cè)的需求。以變分模態(tài)分解(Variational Mode Decomposition，VMD)為代表的時(shí)頻分析方法在信號(hào)分析領(lǐng)域得到了廣泛的應(yīng)用。王進(jìn)花等[5]將參數(shù)自適應(yīng)VMD用于軸承故障診斷，避免了VMD參數(shù)人為設(shè)定的局限性和經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)存在的模態(tài)混疊現(xiàn)象，證明了該方法具有更好的信號(hào)分解和特征提取能力[6]?；谏鲜鰞?yōu)點(diǎn)，文中將采用VMD進(jìn)行信號(hào)的時(shí)頻特征提取。對(duì)于預(yù)測(cè)技術(shù)，常用的機(jī)器學(xué)習(xí)方法有BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network，BPNN)[7]、支持向量機(jī)(Support Vector Machine，SVM)[8]，這些傳統(tǒng)的機(jī)器學(xué)習(xí)方法已證實(shí)在刀具磨損監(jiān)測(cè)方面是有效的。然而淺層網(wǎng)絡(luò)很難從大量原始特征中直接提取有效信息，從而導(dǎo)致特征冗余，影響預(yù)測(cè)效果。為了實(shí)現(xiàn)精確的磨損預(yù)測(cè)，需對(duì)特征進(jìn)行優(yōu)化或融合，如使用皮爾遜相關(guān)系數(shù)和主成分分析等，同時(shí)必須建立一個(gè)深層次的體系結(jié)構(gòu)網(wǎng)絡(luò)來(lái)解決淺層架構(gòu)學(xué)習(xí)能力不足的問(wèn)題。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)、長(zhǎng)短時(shí)記憶(Long Short Term Memory Network，LSTM)是深度學(xué)習(xí)模型的典型代表。汪海晉等[9]直接將電流原始信號(hào)輸入CNN訓(xùn)練，其預(yù)測(cè)效果優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)模型。MARANI等[10]利用LSTM從原始序列數(shù)據(jù)中提取時(shí)間特征，并利用堆疊LSTM建立刀具磨損預(yù)測(cè)模型。CNN能夠處理無(wú)順序性質(zhì)的數(shù)據(jù)，但未考慮不同特征信息對(duì)刀具磨損預(yù)測(cè)的影響。LSTM可以對(duì)信號(hào)數(shù)據(jù)的時(shí)序信息進(jìn)行建模，但每個(gè)時(shí)間步的預(yù)測(cè)都必須等待前面時(shí)刻的輸出，效率相對(duì)較低。此外，原始信號(hào)中包含大量環(huán)境噪聲產(chǎn)生的干擾信息，直接用原始信號(hào)預(yù)測(cè)刀具磨損難以保證預(yù)測(cè)的精度，同時(shí)還會(huì)增加計(jì)算復(fù)雜性和算力資源的消耗。因此，有必要對(duì)原始信號(hào)進(jìn)行特征提取，以獲得能夠反映刀具健康指標(biāo)的特征信息。如MA等[11]利用奇異性分析與相關(guān)分析優(yōu)化了特征，利用這些特征訓(xùn)練的堆疊LSTM能夠有效地預(yù)測(cè)刀具磨損。ZHU等[12]對(duì)信號(hào)的多域特征進(jìn)行了降維和選擇，并結(jié)合LSTM模型實(shí)現(xiàn)了對(duì)刀具剩余壽命預(yù)測(cè)。

綜上分析，本文作者提出一種基于時(shí)間卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Temporal Convolutional Networks-Long Short Term Memory Network，TCN-LSTM)的多域特征融合刀具磨損預(yù)測(cè)模型。TCN結(jié)合了CNN和LSTM的優(yōu)點(diǎn)，使用因果擴(kuò)展卷積運(yùn)算和殘差連接實(shí)現(xiàn)了對(duì)序列數(shù)據(jù)的高效處理和融合，在故障診斷等領(lǐng)域得到了較好的應(yīng)用[13-14]。文中將使用TCN與LSTM結(jié)合來(lái)預(yù)測(cè)刀具磨損。首先，采集切削力和振動(dòng)信號(hào)，在時(shí)域、頻域上對(duì)信號(hào)進(jìn)行特征提取，時(shí)頻域上利用VMD算法將信號(hào)分解并計(jì)算每個(gè)分量的能量構(gòu)成多域特征向量，使用相關(guān)系數(shù)法對(duì)多傳感器敏感特征進(jìn)行選擇和優(yōu)化；其次，將歸一化敏感特征輸入TCN模型進(jìn)行深度融合特征學(xué)習(xí)；最后將LSTM模型訓(xùn)練為融合特征的內(nèi)在趨勢(shì)性與刀具磨損之間的回歸函數(shù)模型，利用全連接層輸出預(yù)測(cè)結(jié)果。

1 刀具磨損預(yù)測(cè)框架和方法

1.1 刀具磨損預(yù)測(cè)框架

文中提出基于時(shí)間卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(TCN-LSTM)的多域特征融合刀具磨損預(yù)測(cè)模型。整體框架如圖1所示，步驟如下：

圖1 刀具磨損預(yù)測(cè)整體框架

(1)數(shù)據(jù)采集與預(yù)處理。采集切削力信號(hào)(X、Y、Z)和振動(dòng)信號(hào)(X、Y、Z)，共6個(gè)通道的信號(hào)，在顯微鏡下記錄刀面的磨損值。去除空轉(zhuǎn)和退刀信號(hào)，選取刀具切削工件時(shí)產(chǎn)生的信號(hào)作為研究對(duì)象。

(2)特征工程。對(duì)6個(gè)通道的信號(hào)從時(shí)域、頻域和時(shí)頻域提取特征，時(shí)頻域上利用VMD對(duì)各個(gè)方向上的信號(hào)分解得到K個(gè)分量，計(jì)算各分量的能量作為候選特征。使用皮爾遜相關(guān)系數(shù)法將所提取特征篩選出與刀具磨損相關(guān)性高的特征構(gòu)成特征向量，將特征向量劃分為訓(xùn)練集、測(cè)試集，并歸一化。

(3)特征融合與模型訓(xùn)練。將歸一化敏感特征向量輸入TCN模型進(jìn)行深度融合特征，將LSTM模型訓(xùn)練為深度特征學(xué)習(xí)與刀具磨損之間的回歸函數(shù)模型。

(4)模型預(yù)測(cè)。使用測(cè)試集對(duì)訓(xùn)練好的模型進(jìn)行泛化能力驗(yàn)證，實(shí)現(xiàn)對(duì)刀具磨損量的預(yù)測(cè)。

1.2 時(shí)間卷積網(wǎng)絡(luò)(TCN)

時(shí)間卷積網(wǎng)絡(luò)(TCN)是CNN的一種變體，采用擴(kuò)展因果卷積運(yùn)算和殘差連接[15]。擴(kuò)展因果卷積如圖2所示。

圖2 擴(kuò)展因果卷積

相比于傳統(tǒng)的CNN網(wǎng)絡(luò)，擴(kuò)展卷積運(yùn)算通過(guò)一定間隔的元素?cái)U(kuò)大濾波器的長(zhǎng)度。在給定相同的層數(shù)，擴(kuò)展因果卷積能夠捕獲比傳統(tǒng)CNN更長(zhǎng)的感受野，以實(shí)現(xiàn)更加全面的特征融合。擴(kuò)展因果卷積對(duì)輸入序列進(jìn)行間隔操作的卷積運(yùn)算，其表達(dá)式為

(1)

式中：F(t)為第t個(gè)元素的卷積結(jié)果；f(i)為過(guò)濾器；k為卷積核大??；d為膨脹因子(d=1時(shí)為標(biāo)準(zhǔn)因果卷積)。此外，在合理的濾波器尺寸下，TCN的訓(xùn)練穩(wěn)定性對(duì)于整體模型的性能至關(guān)重要，在TCN網(wǎng)絡(luò)中引入殘差連接，如圖3所示。

圖3 殘差連接結(jié)構(gòu)

在TCN的殘差連接中有兩層擴(kuò)張卷積和ReLU非線(xiàn)性函數(shù)，為防止過(guò)度擬合加入了Dropout層。此外，將權(quán)重歸一化以加快收斂速度。為了適應(yīng)不同維度的輸入和輸出，使用1×1卷積來(lái)確保元素經(jīng)過(guò)運(yùn)算后有相同的張量。殘差連接的表達(dá)式為

o=Activation(x+F(x))

(2)

式中：x為殘差塊的輸入；o為殘差塊的輸出；Activation為激活函數(shù)。

1.3 長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)(LSTM)

LSTM是遞歸神經(jīng)網(wǎng)絡(luò)RNN的一個(gè)變種，其引入了遺忘門(mén)、輸入門(mén)和輸出門(mén)，三門(mén)功能解決了RNN在訓(xùn)練過(guò)程中存在的梯度問(wèn)題[16]。LSTM網(wǎng)絡(luò)中3個(gè)門(mén)的功能如下：遺忘門(mén)ft決定了信息的通過(guò)；輸入門(mén)it決定了當(dāng)前輸入信息xt和前一個(gè)LSTM的輸出ht-1中的哪些信息將被保留；輸出門(mén)ot通過(guò)單元狀態(tài)與tanh乘積得到LSTM單元的輸出ht。3個(gè)門(mén)的計(jì)算方程如下：

(3)

1.4 變分模態(tài)分解(VMD)

刀具磨損信號(hào)具有非線(xiàn)性和非平穩(wěn)特性，其早期磨損信號(hào)強(qiáng)度小且不明顯，利用VMD對(duì)信號(hào)進(jìn)行分解可以有效地提取微弱的磨損特征。VMD對(duì)信號(hào)進(jìn)行分解其本質(zhì)是一個(gè)變分約束問(wèn)題和求解的過(guò)程，信號(hào)經(jīng)過(guò)VMD算法后可以獲得K個(gè)分量，相應(yīng)的變分模型如下所示：

(4)

其中：f是輸入信號(hào)；t是時(shí)間；δ(t)為脈沖函數(shù)；uk為K個(gè)模態(tài)分量；wk為每個(gè)分量的中心頻率。針對(duì)上述問(wèn)題，引入拉格朗日函數(shù)求解約束變分問(wèn)題的最優(yōu)解，拉格朗日函數(shù)如下描述：

L({uk}，{wk}，λ)=

(5)

式中：α是二次懲罰因子；λ是拉格朗日乘子。通過(guò)交替方向乘子算法獲得拉格朗日函數(shù)的鞍點(diǎn)，即約束變分模型的最優(yōu)解。各個(gè)模態(tài)分量uk和中心頻率wk更新方式如下：

(6)

(7)

拉格朗日算子λ由下式更新：

(8)

當(dāng)相對(duì)誤差e小于收斂精度ε時(shí)，VMD分解過(guò)程停止，得到K個(gè)IMF分量。

(9)

2 多域特征提取

銑刀在加工過(guò)程中會(huì)產(chǎn)生大量的信號(hào)，多個(gè)傳感器收集到的原始切削力和振動(dòng)信號(hào)不僅包含刀具磨損的信息，也包含各種類(lèi)型的干擾信息。因此，有必要對(duì)原始信號(hào)進(jìn)行特征提取，以獲得能夠反映刀具健康指標(biāo)的特征信息。WANG等[17]在提取刀具磨損的通用表征做了深入探討，有一定的參考價(jià)值。在提取特征前需對(duì)信號(hào)進(jìn)行預(yù)處理，如圖4所示。

圖4 平穩(wěn)切削信號(hào)

選取刀具切削工件時(shí)產(chǎn)生的信號(hào)作為此研究對(duì)象，其長(zhǎng)度為4 096。對(duì)切削力信號(hào)(X、Y、Z)和振動(dòng)信號(hào)(X、Y、Z)共6個(gè)方向信號(hào)分別提取特征。

在時(shí)域上提取了12個(gè)特征，包括均值、方差、標(biāo)準(zhǔn)差、峰值、均方根、峰峰值、波形因子、脈沖因子、歪度因子、峰值因子、裕度因子、峭度因子。在頻域上提取了4個(gè)特征，包括重心頻率、均方頻率、均方根頻率、頻率方差。在時(shí)頻域上利用VMD對(duì)信號(hào)進(jìn)行分解后再提取各分量的能量，然而在進(jìn)行VMD分解信號(hào)前要確定參數(shù)K，參數(shù)K決定了信號(hào)經(jīng) VMD 分解后得到的IMF 數(shù)量。K的取值直接影響分解精度，文中通過(guò)中心頻率法確定K值[18]。

如表1所示，不同K值下，中心頻率有一定的差異，當(dāng)K=8時(shí)，中心頻率值趨于一個(gè)穩(wěn)定的數(shù)值。最終，文中選取K=8，其他參數(shù)α=4 000，τ選為0.3，分解結(jié)果如圖5所示。

表1 不同K值的中心頻率

圖5 VMD分解結(jié)果

因此，根據(jù)VMD分解可以得到8個(gè)時(shí)頻域特征，以能量作為當(dāng)前分量的特征以表征刀具磨損。綜上，在切削力信號(hào)和振動(dòng)信號(hào)上沿X、Y、Z各方向總共提取了24個(gè)多域特征(12個(gè)時(shí)域、4個(gè)頻域、8個(gè)時(shí)頻域)，6個(gè)方向信號(hào)共提取了144個(gè)特征表征刀具磨損。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)裝置

為驗(yàn)證文中所提出方法的可行性，文中采用了2010年P(guān)HM挑戰(zhàn)賽數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)[19]。實(shí)驗(yàn)設(shè)備及相關(guān)參數(shù)如表2所示。

表2 實(shí)驗(yàn)設(shè)備與銑削參數(shù)

在銑削過(guò)程中，使用3把(C1、C4、C6)球頭硬質(zhì)合金銑刀加工不銹鋼工件，通過(guò)力、振動(dòng)傳感器分別采集共6個(gè)通道的信號(hào)。傳感器的輸出經(jīng)過(guò)電荷放大器后再通過(guò)采集頻率為50 kHz的信號(hào)采集設(shè)備進(jìn)行采集，傳感器及其他設(shè)備的安裝如圖6所示。力與振動(dòng)傳感器應(yīng)放置于工件或夾具上，每完成一次走刀，通過(guò)顯微鏡測(cè)得3個(gè)刀面的磨損值，并取3個(gè)刀面的均值作為信號(hào)樣本的標(biāo)簽。

圖6 數(shù)據(jù)采集設(shè)備的安裝

3.2 特征優(yōu)化與構(gòu)造數(shù)據(jù)集

文中數(shù)據(jù)集包含3把刀具(C1、C4、C6)從新刀加工至完全磨損，每個(gè)刀具包含315個(gè)信號(hào)數(shù)據(jù)文件，對(duì)應(yīng)315個(gè)刀面磨損值。以刀具C1為例進(jìn)行特征工程，經(jīng)過(guò)預(yù)處理，在時(shí)域、頻域和時(shí)頻域中提取了大量特征，在有效反映刀具磨損過(guò)程的情況下大大降低數(shù)據(jù)維數(shù)。然而，在所提取的特征中，存在一些原始特征無(wú)法為刀具磨損過(guò)程提供信息，甚至對(duì)融合結(jié)果產(chǎn)生負(fù)面影響。如圖7展示了刀具C1中一些經(jīng)歸一化后的特征與刀具磨損之間的趨勢(shì)性。

圖7 特征與刀具磨損之間的趨勢(shì)性

如圖7(b)和圖7(c)所示，所提取的一些原始特征偏離了趨勢(shì)性，可考慮將其刪除。而7(d)和圖7(e)具有單調(diào)性和趨勢(shì)性，與刀具磨損變化過(guò)程契合，考慮將其保留。因此，文中通過(guò)計(jì)算原始特征與刀具磨損之間的皮爾遜相關(guān)系數(shù)剔除一些干擾特征，皮爾遜相關(guān)系數(shù)的方程定義為

(10)

經(jīng)特征優(yōu)化后，如表3所示，應(yīng)用此次試驗(yàn)的數(shù)據(jù)集總計(jì)945組。把數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，使用其中2個(gè)數(shù)據(jù)集作為訓(xùn)練集，另外一個(gè)數(shù)據(jù)集用于測(cè)試。為了加快訓(xùn)練過(guò)程，使用Min-Max法進(jìn)行歸一化。

表3 訓(xùn)練集與測(cè)試集

3.3 模型的設(shè)計(jì)與訓(xùn)練

深度學(xué)習(xí)模型具有自適應(yīng)特征學(xué)習(xí)和非線(xiàn)性函數(shù)逼近的能力，模型的設(shè)計(jì)應(yīng)致力于學(xué)習(xí)多域特征與刀具磨損之間的復(fù)雜關(guān)系。文中基于深度學(xué)習(xí)框架構(gòu)建了一個(gè)時(shí)間卷積長(zhǎng)短時(shí)記憶(TCN-LSTM)網(wǎng)絡(luò)的多域特征融合模型。具體來(lái)說(shuō)，輸入多域特征矩陣后，連續(xù)堆疊6層TCN，每一層都通過(guò)Padding實(shí)現(xiàn)因果卷積，卷積核大小為3×3，過(guò)濾器個(gè)數(shù)為32，每一層的膨脹因子系數(shù)分別為1、2、4、8、16、32。之后連接LSTM層，其隱藏單元個(gè)數(shù)為8。LSTM層后接入全連接層和Dropout層，全連接層的隱藏單元個(gè)數(shù)為16，Dropout層是為了防止模型過(guò)擬合，其設(shè)置的丟棄率為0.5。此外，將ReLU函數(shù)用作卷積層和全連接層的激活函數(shù)，最后通過(guò)隱藏單元個(gè)數(shù)為1的全連接層輸出結(jié)果。

將搭建好的TCN-LSTM模型進(jìn)行訓(xùn)練，設(shè)置迭代次數(shù)Epochs為300，學(xué)習(xí)率Learning_rate為0.001，批量大小Batch_size為16，優(yōu)化器為Adam，均方誤差(MSE)為損失函數(shù)，該函數(shù)計(jì)算公式如下：

(11)

為進(jìn)一步分析模型的預(yù)測(cè)性能，采用平均絕對(duì)誤差(MAE)、均方根誤差(RMSE)以及決定系數(shù)R2作為評(píng)價(jià)指標(biāo)，各指標(biāo)計(jì)算公式如下：

(12)

(13)

(14)

基于Tensorflow框架和Keras進(jìn)行搭建模型，實(shí)驗(yàn)硬件平臺(tái)為Intel(R)Core(TM)i5-10500 CPU，主頻3.10 GHz，內(nèi)存8 GB。

3.4 實(shí)驗(yàn)結(jié)果分析

經(jīng)多域特征提取和優(yōu)化后輸入所提出的模型，模型可自適應(yīng)融合多域特征。為進(jìn)一步驗(yàn)證所提出算法的性能，文中實(shí)現(xiàn)了文獻(xiàn)[20]中CNN網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷算法、文獻(xiàn)[10]中LSTM網(wǎng)絡(luò)的刀具磨損預(yù)測(cè)算法以及文獻(xiàn)[21]中CNN-LSTM網(wǎng)絡(luò)的刀具壽命預(yù)測(cè)算法，與所提出的TCN-LSTM模型進(jìn)行對(duì)比。對(duì)比模型的具體訓(xùn)練參數(shù)如表4所示。

表4 模型的具體訓(xùn)練參數(shù)

使用訓(xùn)練集數(shù)據(jù)用于深度特征學(xué)習(xí)與刀具磨損之間的映射關(guān)系，在測(cè)試集上進(jìn)行模型的評(píng)估。各模型的MAE、RMSE及R2如表5所示，在不同測(cè)試集下對(duì)刀具磨損量預(yù)測(cè)效果如圖8—9所示。

表5 深度學(xué)習(xí)模型評(píng)價(jià)指標(biāo)

圖8 TCN-LSTM模型在不同測(cè)試集上的預(yù)測(cè)效果

由表5分析可知：在不同測(cè)試集下，所提出TCN-LSTM模型的MAE和RMSE均小于其他模型，決定系數(shù)R2均大于其他模型，驗(yàn)證了所提方法的可靠性和準(zhǔn)確性。由圖8和圖9可以看出各個(gè)模型在不同測(cè)試集下預(yù)測(cè)刀具磨損量的情況。通過(guò)比較CNN和LSTM模型的預(yù)測(cè)結(jié)果可知：基于CNN模型的預(yù)測(cè)效果較差，平均預(yù)測(cè)擬合優(yōu)度為0.81，而LSTM的平均預(yù)測(cè)擬合優(yōu)度為0.87。這是因?yàn)閭鞲衅鲾?shù)據(jù)本質(zhì)上是時(shí)間序列數(shù)據(jù)，CNN主要依賴(lài)于空間特征中的隱含信息，而忽略了數(shù)據(jù)時(shí)間序列信息。與空間特征相比，時(shí)間序列特征與刀具磨損值有更好的聯(lián)系?；贑NN-LSTM模型的預(yù)測(cè)效果已經(jīng)達(dá)到了一個(gè)可接受的范圍，其平均預(yù)測(cè)擬合優(yōu)度為0.91，基于CNN-LSTM模型實(shí)現(xiàn)模型性能缺陷的互補(bǔ)，將兩者集成可以提升預(yù)測(cè)模型的性能。文中提出的TCN-LSTM模型具有最好的預(yù)測(cè)效果，TCN結(jié)合了CNN和LSTM的優(yōu)點(diǎn)，使用了因果擴(kuò)展卷積運(yùn)算和殘差連接實(shí)現(xiàn)了對(duì)序列特征的有效融合。其平均預(yù)測(cè)擬合優(yōu)度達(dá)到了0.96，能夠很好地預(yù)測(cè)出刀具磨損的變化趨勢(shì)。

圖9 對(duì)比模型在不同測(cè)試集上的預(yù)測(cè)效果

4 結(jié)論

文中以提高刀具磨損預(yù)測(cè)的準(zhǔn)確性為目標(biāo)，提出基于時(shí)間卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(TCN-LSTM)的多域特征融合刀具磨損預(yù)測(cè)方法。該方法預(yù)測(cè)銑刀的磨損過(guò)程能夠達(dá)到較好的預(yù)測(cè)精度，對(duì)提高生產(chǎn)效率和產(chǎn)品質(zhì)量具有重要意義。主要結(jié)論如下：

(1)從多傳感器信號(hào)(三維切削力和振動(dòng))中提取了時(shí)域、頻域共16個(gè)特征，通過(guò)VMD分解信號(hào)得到8個(gè)IMF并以每個(gè)IMF的能量作為時(shí)頻域特征，所提取的多域特征具有豐富的刀具磨損信息。經(jīng)皮爾遜相關(guān)系數(shù)法特征優(yōu)化后，獲得的特征具有更明顯的趨勢(shì)性、更低的波動(dòng)性，并且與刀具磨損值有很強(qiáng)的相關(guān)性；

(2)所提出的TCN-LSTM模型能夠自適應(yīng)融合多域特征，有效地學(xué)習(xí)了所獲得的多域特征矩陣的內(nèi)在趨勢(shì)與實(shí)時(shí)刀具磨損之間的復(fù)雜關(guān)系；

(3)將該模型用于刀具磨損預(yù)測(cè)，平均預(yù)測(cè)擬合優(yōu)度達(dá)到0.96，其準(zhǔn)確率和泛化能力優(yōu)于所對(duì)比模型。

總體而言，文中提出基于時(shí)間卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(TCN-LSTM)的多域特征融合刀具磨損預(yù)測(cè)方法為刀具磨損預(yù)測(cè)提供了新的思路，有一定的參考價(jià)值。存在的不足是文中提出的模型只在一種加工參數(shù)下的銑削進(jìn)行了實(shí)驗(yàn)驗(yàn)證。而在實(shí)際的生產(chǎn)中，加工一個(gè)工件的工序和加工參數(shù)是往往是復(fù)雜多變的，在不同的切削條件下預(yù)測(cè)刀具磨損仍然是一個(gè)挑戰(zhàn)。在后續(xù)工作中將考慮使用遷移學(xué)習(xí)方法實(shí)現(xiàn)對(duì)不同工況下的刀具磨損預(yù)測(cè)。