基于半监督并行门控CNN-LSTM的微铣削刀具磨损状态监测

微铣削过程中主轴高转速和刀具小尺寸的特点,导致刀具磨损异常严重。为实现高精度和高效率的刀具磨损状态监测,提出了一种将小波去噪的半监督网络与改进并行门控网络相结合的监测方法。首先,采用小波软阈值函数去除噪声,降低半监督网络对无标签数据分类的误导程度;其次,采用有标签数据训练半监督网络提取特征,对无标签数据进行分类;最后,改进并行门控卷积神经网络-长短时记忆网络(CNN-LSTM)模型提取全局特征并额外增加模型表达能力。结果表明,通过小波去噪后的半监督网络能有效增加无标签数据的利用率;提出的改进并行门控CNN-LSTM模型,刀具磨损分类准确率到了93.61%,有效提高了刀具磨损状态监测的准确性和高效性。