基于改进gru神经网络的刀具磨损状态预测

针对传统智能监测方法中信号特征提取繁琐，以及铣削过程中刀具磨损对工件质量和生产效率的影响等问题，提出一种基于改进GRU神经网络的刀具磨损状态预测方法（BiGRU-1DCNN-CBAM）。利用统计量、时域分析、频域分析和小波变换等方法提取刀具信号的均值、峰度和功率谱密度等24个特征量，将多模态时间序列数据转换为刀具特征的时间序列图像；引入卷积神经网络挖掘信号数据的深层特征，结合卷积注意力机制模块增强模型对振动和切削力信号特征图的捕捉能力，将特征层展平拼接后输入BiGRU捕获长时依赖，通过全连接层回归刀具磨损量，实现数控加工过程中刀具磨损状态的剩余寿命预测。实验结果表明，该模型在PHM2010数据集上的均方根误差（RMSE）和平均绝对误差（MAE）分别为2.17 μm和1.29 μm，相比Bayesian-MCMC-Prognostics，SBiLSTM，RIME-CNN-SVM，MobilenetV3，TDConvLSTM，ISABO-IBiLSTM，IWOA-IECA-BiLSTM，LSTM-CNN-CBAM等模型，提升分别超过40.5%和52.1%，相比同类模型耗时至少减少2.8%。本文提出的模型能够有效表征刀具磨损程度，减小预测误差，取得了较好的预测效果。