机床与液压

作者：王正刚，姚琳，于海波，彭竞飞，闫井超，黄知坤，赵泽玲

单位：国家石油天然气管网集团有限公司华中分公司；国家石油天然气管网集团有限公司华中分公司；国家石油天然气管网集团有限公司华中分公司；国家石油天然气管网集团有限公司华中分公司；国家石油天然气管网集团有限公司华中分公司；国家石油天然气管网集团有限公司华中分公司；国家石油天然气管网集团有限公司华中分公司

关键词：故障诊断;深度学习;声发射信号;铣削刀具

为提升铣削刀具磨损状态识别的准确性和鲁棒性，提出一种基于声发射信号的新型故障诊断网络模型WKN-CBAM-LSTM。该模型集成WKN、CBAM和LSTM3个关键模块，形成一个端到端的模型架构。其中，WKN模块的小波卷积层能够对数据进行降噪处理，从而提升输入数据的质量。CBAM的引入能够增强特征表示，使模型更加关注重要的故障特征，同时抑制无关信息。随后，LSTM模块对增强后的特征进行张量计算，并将结果输入到分类层，从而完成对刀具磨损状态的识别。为验证所提方法的有效性，采用NASA Ames研究中心与加利福尼亚大学伯克利分校收集的铣削声发射数据集进行实验。结果表明：该方法展现出优异的性能，平均准确率高达98.78%。为了验证所提方法的有效性，将其与5个经典模型（CNN-RNN、CNN-LSTM、CNN-GRU、VGG19和CNN-DWT）进行比较。结果表明：WKN-CBAM-LSTM模型实现了98.78%的准确率、98.67%的精确率、98.86%的召回率和99.02%的F1得分，相比其他模型具有显著优势，为基于声发射信号的机械设备故障诊断提供了一种可行的解决方案。

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