机床与液压

作者：尚昱磊，杨天宇，彭勃，万书亭

单位：河北农业大学机电工程学院；河北农业大学机电工程学院；河北农业大学机电工程学院；华北电力大学河北省电力机械装备健康维护与失效预防重点实验室

关键词：数控铣削;刀具磨损预测;多模态融合;图像编码;多任务学习

基金：河北省高等学校科学技术项目（BJK2024038）；河北农业大学引进人才科研专项（YJ2021056）；河北省引进留学人员项目(C20230334)；河北省电力机械装备健康维护与失效预防重点实验室基金（KF2021-01）

针对数控铣削加工中刀具磨损受复杂工况影响、非线性强、演化过程缓慢，传统方法难以有效融合多源信息并捕捉磨损缓变趋势的问题，提出一种基于TSF-GAFNet的多模态深度学习模型，旨在通过融合多通道时序特征、图像编码特征与慢变趋势信息，提升磨损预测的精度与鲁棒性。该模型首先利用离散小波变换对原始多通道信号进行多尺度分解，提取不同频段的时序特征；然后采用格拉姆角场（GAF）将时序信号编码为二维图像，增强其模式表达能力；进一步引入残差慢特征注意力（RESFA）优化机制，提取信号中的慢变趋势特征，以提升模型对磨损演化过程的敏感性与稳定性。模型整体结构采用双向长短时记忆网络与卷积神经网络并行架构，在特征融合层引入注意力机制，并通过多任务学习同时实现刀具VB值的回归预测与磨损等级的分类识别。在PHM2010刀具磨损数据集上的实验验证结果表明：所提模型在VB值预测任务中平均绝对误差（MAE）为1.023 μm，均方根误差（RMSE）为2.547 μm，在磨损等级分类任务中准确率达98.41%，展示出良好的预测性能与工程应用潜力。

来源：2026年第8期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第8期