基于多尺度-高效通道注意力网络的刀具故障诊断方法

作     者：狄子钧 袁东风 李东阳 梁道君 周晓天 信苗苗 曹凤 雷腾飞 DI Zijun;YUAN Dongfeng;LI Dongyang;LIANG Daojun;ZHOU Xiaotian;XIN Miaomiao;CAO Feng;LEI Tengfei

作者机构：山东大学信息科学与工程学院济南250100 山东大学控制科学与工程学院济南250061 齐鲁理工学院机电工程学院济南250200 

出 版 物：《机械工程学报》 (Journal of Mechanical Engineering)

年 卷 期：2024年第60卷第6期

页      面：82-90页

核心收录：

学科分类：08[工学] 080202[工学-机械电子工程] 0802[工学-机械工程] 

基　　金：山东省重大科技创新工程“面向机床制造领域的新型自适应生产系统关键技术研发及应用示范”资助项目(2019JZZY010111)。 

主　　题：刀具故障诊断 多尺度卷积神经网络 高效通道注意力 特征融合 智能制造 

摘      要：目前,生产加工流程正向着智能化迈进,设备的故障诊断及预测性维护在保障企业生产效率,降低生产成本方面起着至关重要的作用。刀具作为数控机床的切削工具,其实时健康状态直接影响着机床的加工效率和产品质量。对刀具磨损状态的精准监测有助于避免因刀具失效导致的产品质量问题。基于此背景,研究一种基于深度学习的刀具故障诊断方法,将高效通道注意力应用到多尺度卷积神经网络中,提出基于多尺度-高效通道注意力网络的刀具故障诊断方法,利用通道特征学习将机床主轴不同方向的振动信号进行自适应的特征融合,从而提升刀具磨损状态诊断精度。此外,设计刀具磨损试验平台,用于采集符合实际生产的数据,在实际生产场景中验证所提算法的性能。试验结果表明,所提出方法较多尺度网络的刀具故障诊断准确率提高4.47%。