融合注意力机制的刀具磨损预测方法

• 全文链接
• 请求原文

作   者：

董靖川;  武晓鑫;  高宇博;  苏德鹏; 

作者机构：

天津大学机械工程学院; 

关键词：

注意力机制;  刀具磨损预测;  多尺度卷积神经网络;  门控循环单元; 

期刊名称：

天津大学学报(自然科学与工程技术版)

i s s n：

0493-2137

年卷期：

2024 年 57 卷 004 期

页   码：

362-373

摘   要：

刀具的磨损状态影响着工件表面质量与加工稳定性,故实现其磨损量的准确监测对于保证加工可靠性、维持生产加工连续性具有积极作用.为进一步提高刀具磨损预测模型的泛化性能和准确度,提出一种融合注意力机制的多尺度卷积双向门控循环(multiscale convolutional bidirectional gated recurrent unit-attention,MSCBGRU-A)神经网络的刀具磨损预测方法,其由特征拓展模块、多尺度卷积模块、双向 GRU 模块、注意力模块、回归模块组成.首先,将切削力、声发射、振动信号作为输入信号,输入信号通过多尺度卷积模块获得多个尺度的刀具磨损输出特征图,将多个卷积通道输出的特征图输入到连接层进行首尾和层叠两种方式的连接来获得两种输出数据.然后,将两种输出数据分别输入到双向 GRU 模块与注意力模块,通过双向 GRU 模块学习输出特征图动态变化来获取时序特征,通过注意力模块对多尺度卷积神经网络的输出进行权值分配,强化对刀具磨损预测结果贡献度更大的特征.最后,通过回归模块对磨损值进行预测.经过对比实验引入混合域注意力机制的基于卷积块的注意力机制(convolutional block attention mechanism,CBAM),获得MSCBGRU-CBAM模型,并且通过绘制CBAM的注意力权重图证明注意力机制可以自适应地关注与刀具磨损更相关的特征.与其他深度学习模型进行对比实验表明,MSCBGRU-CBAM 模型具有最高的预测精度,且与未使用注意力机制的 MSCBGRU 模型相比,RMSE 降低19.3%,MAE降低17.7%,R2提高2.7%.