周鵬博,劉德平

(鄭州大學(xué)機(jī)械與動(dòng)力工程學(xué)院,鄭州 450001)

0 引言

刀具是切削加工的核心,刀具的磨損狀態(tài)直接影響工件的加工精度和表面質(zhì)量,進(jìn)而影響機(jī)床的加工效率[1]。隨著數(shù)控機(jī)床的智能化發(fā)展,對(duì)刀具磨損狀態(tài)進(jìn)行高效、高精度的監(jiān)測(cè)成為國內(nèi)外學(xué)者們的研究熱點(diǎn)。主要分為直接法和間接法[2]。直接法通過停機(jī)拆卸刀具后用特定檢測(cè)設(shè)備進(jìn)行測(cè)量,雖然準(zhǔn)確度高,但耗時(shí)耗力無法實(shí)現(xiàn)在線監(jiān)測(cè)。間接法通過采集并分析切削加工過程中包含刀具磨損信息的振動(dòng)、力、聲音、電流等信號(hào)實(shí)現(xiàn)刀具磨損狀態(tài)在線監(jiān)測(cè),是目前流行的方法[3]。間接監(jiān)測(cè)法通常分三步進(jìn)行:信號(hào)采集與預(yù)處理,特征提取與選擇,狀態(tài)識(shí)別[4]。

由于機(jī)加工環(huán)境的復(fù)雜,采集到的信號(hào)呈現(xiàn)出不平穩(wěn)非線性的特征,這對(duì)故障特征的提取造成了挑戰(zhàn)。經(jīng)驗(yàn)?zāi)B(tài)分解及其改進(jìn)算法常用來處理不平穩(wěn)非線性信號(hào)。錢桃林等[5]用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)分解刀具振動(dòng)信號(hào),將篩選后本征模態(tài)分量(IMF)的均方根值作為輸入特征,用支持向量機(jī)實(shí)現(xiàn)刀具磨損狀態(tài)識(shí)別。

隨著人工智能技術(shù)的發(fā)展,深度學(xué)習(xí)的方法被廣泛應(yīng)用到故障診斷領(lǐng)域。周謙等[6]將刀具振動(dòng)及力信號(hào)的頻譜圖輸入深度卷積網(wǎng)絡(luò)VGG13進(jìn)行訓(xùn)練,得到刀具磨損監(jiān)測(cè)模型。GUO等[7]基于切削信號(hào)的頻譜建立了金字塔長短時(shí)網(wǎng)絡(luò),充分提取了信號(hào)時(shí)序特征,相比傳統(tǒng)LSTM方法提高了準(zhǔn)確率和計(jì)算速度。但是單一深度學(xué)習(xí)模型不足以提取完整的磨損特征,將卷積與循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合起來的時(shí)空網(wǎng)絡(luò)方法開始出現(xiàn),何彥等[8]提出了一種基于LSTM與CNN的刀具磨損在線監(jiān)測(cè)模型,對(duì)刀具信號(hào)進(jìn)行序列和多維度特征的提取,方法準(zhǔn)確率高于單深度學(xué)習(xí)模型。BAZI等[9]將經(jīng)過變分模態(tài)分解的信號(hào)輸入1DCNN-BiLSTM網(wǎng)絡(luò)實(shí)現(xiàn)刀具磨損狀態(tài)識(shí)別,提高了預(yù)測(cè)性能。但是更復(fù)雜的模型增加了參數(shù)量和計(jì)算量,提高了硬件成本,不利于在線監(jiān)測(cè)工具的發(fā)展。

針對(duì)以上問題,本文基于輕量級(jí)卷積網(wǎng)絡(luò)ShuffleNetv2與高效通道注意力機(jī)制(ECA),提出了一種新的輕量型時(shí)空網(wǎng)絡(luò)刀具磨損監(jiān)測(cè)方法BiLSTM-SN-ECA,對(duì)經(jīng)過CEEMDAN處理的數(shù)控機(jī)床銑刀振動(dòng)信號(hào)進(jìn)行特征學(xué)習(xí),實(shí)現(xiàn)了刀具磨損狀態(tài)識(shí)別。

1 理論基礎(chǔ)

1.1 自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解

針對(duì)EMD[10]易出現(xiàn)模態(tài)混疊、集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)[11]重構(gòu)誤差大的缺點(diǎn),提出了自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)[12],此方法避免了高斯誤差從高頻分量到低頻分量的傳播,分解具有完備性且減少了虛假分量,提高了計(jì)算速度。CEEMDAN分解步驟如下:

步驟1:生成改造信號(hào)。將N個(gè)均值為零的高斯噪聲分別加到原始信號(hào)a[n]中,產(chǎn)生N個(gè)改造信號(hào)ai[n](i=1,2,3,…,N);ai[n]=a[n]+ε0σi[n]

(1)

式中:ε0為添加高斯噪聲的權(quán)重,σi[n]為第i次添加的高斯噪聲。

步驟2:對(duì)改造信號(hào)進(jìn)行EMD一階分解并求均值得到CEEMDAN一階分量IMF1[n],用原信號(hào)減去IMF1[n]得到一階殘余分量r1[n];

(2)

r1[n]=a[n]-IMF1[n]

(3)

式中:IMF1[n]為原始信號(hào)CEEMDAN第一階IMF,E1(·)為EMD一階分解算子,r1[n]為一階分解后參與分量。

步驟3:求CEEMDAN二階分量IMF2[n];

(4)

步驟4:對(duì)于k=2,3,…,K;rk[n]=rk-1[n]-IMFk[n]

(5)

(6)

步驟5:按k逐步分解,直到不能分為止(分量極值點(diǎn)不超過兩個(gè)),共分得K個(gè)分量,最終信號(hào)被分解為:

(7)

式中:R[n]為最終殘余分量。

1.2 雙向長短時(shí)記憶網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)能夠處理時(shí)間序列數(shù)據(jù),對(duì)序列的過往信息具有記憶能力,刀具振動(dòng)信號(hào)便是一種典型的時(shí)序信號(hào),因此可以用RNN對(duì)其進(jìn)行時(shí)序特征提取。長短時(shí)記憶網(wǎng)絡(luò)(LSTM)是一種特殊的RNN,添加3個(gè)門控單元對(duì)RNN隱藏節(jié)點(diǎn)的輸出信息進(jìn)行控制,對(duì)過往信息進(jìn)行選擇和遺忘,減輕了RNN梯度消失和梯度爆炸的問題,增強(qiáng)提取序列長期關(guān)系的能力。一個(gè)基本的LSTM隱藏單元如圖5所示。其中輸入門、遺忘門、輸出門的計(jì)算過程為:

f(t)=σ(Wf·[h(t-1),x(t)]+bf)

(8)

i(t)=σ(Wi·[h(t-1),x(t)]+bi)

(9)

c(t)=f(t)?c(t-1)+i(t)?tanh(Wc·[h(t-1),x(t)]+bc)

(10)

o(t)=σ(Wo·[h(t-1),x(t)]+bo)

(11)

h(t)=o(t)?tanhc(t)

(12)

式中:f(t)為遺忘門,i(t)為輸入門,o(t)為輸出門,c(t)為細(xì)胞狀態(tài),σ為sigmoid激活函數(shù),?為哈達(dá)瑪積,Wf、Wi、Wc、Wo、bf、bi、bc、bo分別為遺忘門、輸入門、細(xì)胞狀態(tài)、輸出門的權(quán)重和偏置,h(t)為當(dāng)前時(shí)刻輸出,h(t-1)為上一時(shí)刻輸出。

雙向長短時(shí)記憶網(wǎng)絡(luò)(BiLSTM)由兩層LSTM隱藏層組成,一層正向傳遞獲取序列過去信息,另一層反向傳遞獲取序列未來信息,兩層輸出組合為新的輸出層,時(shí)序特征提取能力更強(qiáng)。BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,A和B分別為前向和后向的隱藏單元。

1.3 輕量化卷積網(wǎng)絡(luò)ShuffleNetv2

卷積神經(jīng)網(wǎng)絡(luò)(CNN)通過卷積和池化操作提取刀具退化的有效非線性局部特征,但為了提高準(zhǔn)確率網(wǎng)絡(luò)層數(shù)不斷疊加,導(dǎo)致計(jì)算量激增。MA等[13]基于分組卷積(GC)與深度卷積(DWConv)以及通道混洗(CS)技術(shù)提出了ShuffleNetv2網(wǎng)絡(luò)。其中分組卷積如圖3所示,按通道對(duì)輸入進(jìn)行分組,按組進(jìn)行卷積操作,每組對(duì)應(yīng)的卷積核通道數(shù)減少,參數(shù)量對(duì)應(yīng)減少。而深度卷積就是將每個(gè)通道分為單獨(dú)一組的分組卷積,其輸入通道、輸出通道以及卷積核(單通道)個(gè)數(shù)相等,DWConv后面常跟逐點(diǎn)卷積(1*1卷積核)對(duì)特征進(jìn)行降維或升維。

分組卷積雖然能夠減少網(wǎng)絡(luò)參數(shù)量,但是每組通道之間的信息沒有任何流通,這必然導(dǎo)致特征表達(dá)能力降低,通道混洗技術(shù)能將每組通道的信息進(jìn)行融合。CS原理如圖4所示,首先,以通道為元素將特征矩陣轉(zhuǎn)換為兩個(gè)維度(一個(gè)維度為通道分組數(shù),另一個(gè)維度為每組通道);其次,進(jìn)行轉(zhuǎn)置操作;最后,將轉(zhuǎn)置后的矩陣進(jìn)行展平即可完成通道混洗。

ShuffleNetv2網(wǎng)絡(luò)由普通卷積層、最大池化層、3個(gè)Stage塊、卷積層、全局池化層(GAP)和全連接層組成。每個(gè)Stage塊均由兩個(gè)基本的單元不斷疊加而成,單元如圖5所示,單元1采用了兩分支對(duì)數(shù)據(jù)進(jìn)行處理,首先,對(duì)輸入特征進(jìn)行通道對(duì)分,分支1進(jìn)行一層1*1的普通卷積進(jìn)行升維;接著,一層3*3DWConv進(jìn)行特征提取;最后,1*1普通卷積進(jìn)行降維保證輸入輸出通道數(shù)相同,分支2不進(jìn)行操作,將兩分支級(jí)聯(lián)后進(jìn)行通道混洗。當(dāng)需要進(jìn)行下采樣時(shí),也就是步長為2的情況,單元2的分支1對(duì)輸入進(jìn)行1*1Conv、3*3DWConv、1*1Conv,分支2對(duì)輸入進(jìn)行3*3DWConv、1*1Conv,將兩分支級(jí)聯(lián)后進(jìn)行通道混洗,此時(shí)的通道已經(jīng)翻倍,特征圖尺寸減半。

1.4 高效通道注意力機(jī)制

在進(jìn)行故障特征提取的過程中,難免提取到與刀具退化無關(guān)的特征,這不利于預(yù)測(cè)結(jié)果,注意力機(jī)制被提出用來學(xué)習(xí)每個(gè)特征的重要程度,從而對(duì)有效特征進(jìn)行加強(qiáng),對(duì)無效特征削弱。注意力機(jī)制已經(jīng)被應(yīng)用于各種卷積神經(jīng)網(wǎng)絡(luò)中,提升了網(wǎng)絡(luò)的性能,但傳統(tǒng)的注意力機(jī)制通過堆加模型的復(fù)雜度來提升性能,增加了計(jì)算量。WANG等[14]基于傳統(tǒng)的SE-net提出了效率通道注意力網(wǎng)絡(luò)ECA-net,取消了SE-net中的降維操作,并通過一維卷積操作實(shí)現(xiàn)了跨通道信息交互,卷積核的大小z決定了局部跨通道交互的覆蓋率,還提出了一種根據(jù)輸入通道數(shù)自適應(yīng)選擇z值的方法,z與輸入特征通道成正比例關(guān)系。ECA在幾乎不增加模型復(fù)雜性的情況下顯著提高了模型的性能。ECA的結(jié)構(gòu)如圖6所示,ECA用GAP層將輸入矩陣轉(zhuǎn)換為長度等于通道數(shù)的向量、用卷積核大小為z的1DCNN層獲取各通道的權(quán)重向量、經(jīng)過sigmoid激活函數(shù)將權(quán)重向量歸一化,最后將權(quán)重向量與輸入矩陣相乘。

2 建立診斷模型

2.1 ShuffleNetv2網(wǎng)絡(luò)的改進(jìn)

ShuffleNetv2網(wǎng)絡(luò)應(yīng)用于圖像分類領(lǐng)域,對(duì)于相較簡單的刀具振動(dòng)數(shù)據(jù),其網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜、性能過剩,因此對(duì)ShuffleNetv2結(jié)構(gòu)進(jìn)行優(yōu)化,減少Stage塊的重復(fù)次數(shù),重新設(shè)計(jì)特征通道數(shù)的變化過程。同時(shí)對(duì)ShuffleNetv2的基本模塊添加ECA單元提高網(wǎng)絡(luò)的性能,改進(jìn)的基本單元如圖7所示,只在分支1中的3*3DWConv層后添加ECA模塊。由于輸入特征圖尺寸較小,最大池化操作會(huì)使信息丟失,改進(jìn)模型不再使用原模型中的最大池化層。為了防止過擬合,在網(wǎng)絡(luò)的末端全連接層之前添加隨機(jī)失活Dropout層,隨機(jī)丟棄一定比例的神經(jīng)元。改進(jìn)的SN-ECA網(wǎng)絡(luò)參數(shù)如表1所示。

表1 SN-ECA網(wǎng)絡(luò)參數(shù)表

2.2 BiLSTM-SN-ECA網(wǎng)絡(luò)的構(gòu)建

首先,將采集到的刀具振動(dòng)信號(hào)經(jīng)預(yù)處理后輸入BiLSTM網(wǎng)絡(luò)進(jìn)行刀具退化時(shí)序特征提取,BiLSTM網(wǎng)絡(luò)隱藏層單元為128,Dropout率為0.2。之后經(jīng)過線性層將BiLSTM的輸出轉(zhuǎn)化為二維灰度圖輸入SN-ECA網(wǎng)絡(luò)進(jìn)行多維度特征提取并預(yù)測(cè)結(jié)果。構(gòu)建好的診斷模型如圖8所示。所提方法將采集到的數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集,用訓(xùn)練集對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,通過反向傳播算法不斷更新權(quán)重參數(shù)使損失函數(shù)不斷減小直到收斂。用訓(xùn)練好的模型對(duì)測(cè)試集進(jìn)行刀具磨損值預(yù)測(cè)。模型優(yōu)化器為RMSprop,損失函數(shù)設(shè)為L1_loss,學(xué)習(xí)率為0.002,批處理大小為2048,每次實(shí)驗(yàn)代數(shù)epoch=100。

2.3 模型評(píng)價(jià)指標(biāo)

為了從模型預(yù)測(cè)準(zhǔn)確性和模型輕量化程度兩個(gè)方面全面分析所提方法的有效性,選取了以下4個(gè)指標(biāo)來評(píng)估模型的性能,分別為平均絕對(duì)誤差(MAE)、均方根誤差(RMSE)、模型參數(shù)量、模型訓(xùn)練時(shí)間。其中前兩個(gè)指標(biāo)越小,預(yù)測(cè)值與真實(shí)值誤差越小,說明模型預(yù)測(cè)準(zhǔn)確率越高;后兩個(gè)指標(biāo)越小,說明模型效率越高、占用內(nèi)存越小。MAE與RMSE表達(dá)式為:

(13)

(14)

式中:yi為真實(shí)值,f(xi)為預(yù)測(cè)值,n為樣本個(gè)數(shù)。

3 實(shí)驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)來源與實(shí)驗(yàn)條件

本實(shí)驗(yàn)所用數(shù)據(jù)來自PHM2010數(shù)據(jù)挑戰(zhàn)賽的公開數(shù)據(jù)集,實(shí)驗(yàn)機(jī)床為RFM760數(shù)控機(jī)床,實(shí)驗(yàn)刀具為三刃碳化鎢球頭銑刀,工件材料為不銹鋼HRC-52[15]。在相同工況下進(jìn)行6次全壽命周期循環(huán)實(shí)驗(yàn),通過傳感器采集6把刀具加工過程中的力、加速度、聲發(fā)射信號(hào)(C1～C6),信號(hào)采樣頻率為50 kHz,每次走刀沿X方向切削108 mm,每把刀具走刀315次。其中的3次實(shí)驗(yàn)對(duì)每次走刀后的后刀面磨損值進(jìn)行測(cè)量得到標(biāo)簽數(shù)據(jù)(C1,C4,C6),因第1次走刀采集的信號(hào)不完整,對(duì)預(yù)測(cè)結(jié)果誤導(dǎo)較大,丟掉這一數(shù)據(jù)。本文選擇C1銑刀數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。用y方向振動(dòng)信號(hào)預(yù)測(cè)刀具磨損值,同時(shí)把3個(gè)切削刃的磨損平均值作為標(biāo)簽。

實(shí)驗(yàn)利用PyTorch深度學(xué)習(xí)框架與PyCharm開發(fā)環(huán)境進(jìn)行數(shù)據(jù)分析。實(shí)驗(yàn)硬件配置為NVIDIA GeForce RTX3060 Laptop圖形處理器,Intel(R) Core(TM) i7-11800H @ 2.3 GHz中央處理器,16 GB內(nèi)存。

3.2 數(shù)據(jù)處理

由于采樣頻率過大,單個(gè)信號(hào)具有20萬以上的采樣點(diǎn),為了擴(kuò)充樣本數(shù)以及縮短樣本長度,從每個(gè)信號(hào)中隨機(jī)不重復(fù)地抽取200個(gè)長度為1024的樣本,按照9∶1的比例劃分為訓(xùn)練集(314*200*0.9=56 520個(gè)樣本)和驗(yàn)證集(314*200*0.1=6280個(gè)樣本),再從每個(gè)信號(hào)中抽取20個(gè)樣本作為測(cè)試集(314*20=6280個(gè)樣本),測(cè)試時(shí)對(duì)每20個(gè)樣本的預(yù)測(cè)結(jié)果求平均作為預(yù)測(cè)值。

將振動(dòng)信號(hào)樣本進(jìn)行CEEMDAN分解,得到8個(gè)IMF。根據(jù)皮爾遜相關(guān)系數(shù)計(jì)算,前6階IMF與原信號(hào)相關(guān)性較大,將后續(xù)分量去除后生成重構(gòu)信號(hào)以減小冗余分量的影響。將原始信號(hào)、重構(gòu)信號(hào)、前6階分量組合構(gòu)成n*8的輸入特征矩陣。特征如圖9所示。

3.3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證CEEMDAN方法對(duì)信號(hào)降噪和特征增強(qiáng)的效果,分別對(duì)有CEEMDAN過程和無CEEMDAN過程的監(jiān)測(cè)模型進(jìn)行實(shí)驗(yàn),結(jié)果如表2所示,有CEEMDAN過程的刀具磨損監(jiān)測(cè)模型MAE減少7.77%,RMSE減少11.37%,證明該方法能夠突出刀具振動(dòng)信號(hào)中的磨損特征。

表2 有無CEEMDAN實(shí)驗(yàn)結(jié)果 (μm)

研究不同的Dropout率對(duì)模型監(jiān)測(cè)結(jié)果的影響,分別把Dropout率設(shè)置為0.05、0.1、0.2、0.3進(jìn)行實(shí)驗(yàn)。結(jié)果如表3所示,Dropout率過大時(shí)舍棄節(jié)點(diǎn)過多,信息損失嚴(yán)重,不利于特征學(xué)習(xí),過小時(shí)起不到防止過擬合的作用,Dropout率為0.1時(shí)MAE與RMSE值最小。

表3 不同Dropout率實(shí)驗(yàn)結(jié)果 (μm)

研究ECA添加到不同位置的影響,分別將ECA添加到分支1中、分支1和2中、CS之后進(jìn)行實(shí)驗(yàn)。結(jié)果如表4所示,在分支1中添加ECA模塊預(yù)測(cè)效果最好。

表4 不同ECA位置實(shí)驗(yàn)結(jié)果 (μm)

將經(jīng)過CEEMDAN處理的樣本按批次大小2048輸入BiLSTM-SN-ECA模型進(jìn)行訓(xùn)練,模型的Dropout率與ECA位置均按照上述實(shí)驗(yàn)所選最優(yōu)值設(shè)置。訓(xùn)練集與驗(yàn)證集損失函數(shù)值隨迭代數(shù)下降趨勢(shì)如圖10所示,損失函數(shù)下降較快,40次迭代后較為平穩(wěn)且最終收斂。用訓(xùn)練好的模型進(jìn)行測(cè)試得到預(yù)測(cè)值與真實(shí)值對(duì)比如圖11所示,可以看出誤差很小,說明所提模型能夠?qū)Φ毒吣p特征進(jìn)行較為準(zhǔn)確的提取,預(yù)測(cè)效果良好。

圖1 LSTM單元結(jié)構(gòu)圖

圖2 BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3 普通卷積與分組卷積示意圖

圖5 ShuffleNetv2網(wǎng)絡(luò)基本單元示意圖

圖6 高效通道注意力網(wǎng)絡(luò)結(jié)構(gòu)圖

圖7 SN-ECA網(wǎng)絡(luò)基本單元示意圖

圖8 刀具磨損狀態(tài)監(jiān)測(cè)模型流程圖

圖9 輸入特征示意圖

圖10 損失函數(shù)折線圖

3.4 對(duì)比實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證模型的效果,將所提模型與傳統(tǒng)的時(shí)空網(wǎng)絡(luò)模型(BiLSTM-CNN)、BiLSTM-ShuffleNet模型對(duì)比。BiLSTM-CNN模型采用6層的普通卷積層(卷積核大小3,步長為1,零填充為1)和3層最大池化層(k=3,s=2,p=1)代替本文模型的Stage2、Stage3、Stage4,其余部分與所提模型相同。每兩個(gè)卷積層后接一個(gè)池化層,其中卷積層進(jìn)行特征提取和通道升維,池化層將特征圖尺寸減半,保證了特征圖尺寸與通道數(shù)變化過程與所提模型相同。BiLSTM-ShuffleNet模型為所提模型不進(jìn)行注意力機(jī)制的改進(jìn)。

把3個(gè)模型分別進(jìn)行10次訓(xùn)練及測(cè)試,MAE與RMSE的結(jié)果如圖12所示,可以看出,10次實(shí)驗(yàn)的MAE值所提模型均為最小,8次實(shí)驗(yàn)的RMSE值所提模型最小,所提模型的識(shí)別準(zhǔn)確性與穩(wěn)定性均較高。

圖12 誤差折線圖

3個(gè)模型4種評(píng)價(jià)指標(biāo)10次實(shí)驗(yàn)的平均值如圖13所示。

可以看出,所提模型的卷積網(wǎng)絡(luò)參數(shù)量比BiLSTM-CNN模型減少82.39%,訓(xùn)練時(shí)間減少47.21%,MAE減少了10.82%,RMSE減少了9.90%。所提模型卷積網(wǎng)絡(luò)參數(shù)量只比BiLSTM-ShuffleNet增加0.02%,訓(xùn)練時(shí)間只增加0.67%,但是MAE和RMSE分別減少了5.00%和3.38%。本文模型預(yù)測(cè)誤差更小且模型參數(shù)少,效率高。

4 結(jié)論

本文提出了一種基于CEEMDAN與BiLSTM-SN-ECA的刀具磨損狀態(tài)識(shí)別方法。該方法用CEEMDAN對(duì)刀具振動(dòng)信號(hào)進(jìn)行預(yù)處理并構(gòu)造特征矩陣,然后,輸入經(jīng)輕量化改進(jìn)并增加注意力機(jī)制的時(shí)空網(wǎng)絡(luò)模型,實(shí)現(xiàn)刀具磨損預(yù)測(cè)。最終得到的結(jié)論如下:

(1)利用CEEMDAN方法處理刀具振動(dòng)信號(hào)能夠減少信號(hào)中的噪聲成分,充分提取有效的磨損信息,提高神經(jīng)網(wǎng)絡(luò)識(shí)別準(zhǔn)確率。

(2)對(duì)傳統(tǒng)時(shí)空網(wǎng)絡(luò)模型的卷積模塊進(jìn)行輕量化改進(jìn)能夠在減少模型參數(shù)量、提高訓(xùn)練效率的同時(shí),提高預(yù)測(cè)準(zhǔn)確度。

(3)高效通道注意力能夠在幾乎不增加網(wǎng)絡(luò)參數(shù)的情況下提升輕量化時(shí)空網(wǎng)絡(luò)的性能。