基于贝叶斯优化Bi-LSTM的刀具磨损状态监测模型

作     者：王樱达 丁泽 王延瓒 刘会永 张松 王佳宁 Wang Yingda;Ding Ze;Wang Yanzan;Liu Huiyong;Zhang Song;Wang Jianing

作者机构：潍柴动力股份有限公司山东省潍坊市261000 山东大学机械工程学院 

出 版 物：《工具技术》 (Tool Engineering)

年 卷 期：2023年第57卷第6期

页      面：133-137页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主　　题：贝叶斯优化 双向长短时记忆网络 特征筛选 刀具磨损状态监测 

摘      要：针对刀具磨损在线监测过程中信号特征较弱、外界噪声干扰较大导致的预测准确度较差问题,提出了一种基于贝叶斯优化(BO)双向长短时记忆网络(Bi-LSTM)的刀具磨损状态监测模型。结合斯皮尔曼相关系数和最大互相关系数来筛选降噪后切削力信号的时域、频域及时频域特征,输入到建立好的Bi-LSTM模型进行训练;针对Bi-LSTM模型参数组合对精度影响大且难以选择的问题,采用贝叶斯优化算法进行超参数寻优;利用铣削加工实验对模型进行验证。结果表明,该方法能快速得到模型最优超参数,同时兼具稳定性和准确性,与其他深度学习模型相比,准确率更高,实验证明了该模型的有效性和可行性。