基于特征融合与域自适应的刀具磨损在线监测

机床状态监测对于机床健康管理以及保证工件加工质量具有重要意义。针对现有刀具磨损预测模型存在训练时间长、收敛速度慢以及泛化能力弱等问题,提出了一种分布式一维卷积神经网络对刀具磨损进行预测。采用残差连接与通道注意力模块顺序堆叠的方式作为特征提取模块,并通过交叉验证以选择合适的网络层数。由于不同传感器所提取到的特征信息可能存在冗余,使用权重差异策略以提高特征提取的有效性以及全面性。此外,考虑到训练集与测试集分布可能存在差异从而影响模型的泛化性能,引入了域自适应方法提高模型在未知数据集中的表现。为验证模型效果,使用PHM 2010铣刀磨损数据集进行实验。实验结果表明,该模型在C1、C4、C6三把刀具上的平均RMSE和平均MAE分别为6.97和6.29,与TCN、TDConvLSTM等模型相比有12%以上的提升。