基于深度学习的刀具磨损预测方法研究

摘要：

汽车零部件生产加工过程中的刀具磨损退化严重影响产品加工质量、生产效率和生产成本.数据驱动方法已成为刀具磨损预测的有效手段,考虑传统浅层机器学习方法在手动特征提取与非线性拟合方面的局限性,本文将残差结构与门控循环单元相结合,提出一种用于刀具磨损预测的混合神经网络模型.针对多源多通道切削信号,采用残差结构实现空间特征自适应抽取,并解决网络加深时的梯度消失和模型退化问题;此外,针对特征信号的时间相关性,增加门控循环单元挖掘融合特征中的序列信息.为了验证模型性能,在刀具磨损数据集上与其他机器学习模型进行了对比实验.结果表明,所提出的混合模型具有较优的刀具磨损预测效果.

关键词：刀具磨损、深度学习、特征提取、多源数据融合

所属期刊栏目：7

分类号：TG11(金属学与热处理)

在线出版日期：2023-08-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：77-81