机床与液压

作者：杨允，陶建峰，刘成良，董志超

单位：上海交通大学机械与动力工程学院；上海交通大学机械与动力工程学院；上海交通大学机械系统与振动全国重点实验室；上海交通大学机械与动力工程学院；上海交通大学机械系统与振动全国重点实验室；上海交通大学机械与动力工程学院

关键词：刀具磨损;长短期记忆网络;深度学习;剩余寿命预测

为提升刀具磨损模型的预测精度，减少机床加工过程中因刀具磨损断裂造成的损失，并实现对刀具寿命的提前预测以指导换刀策略，提出一种基于长短期记忆网络（LSTM）和深度学习模型框架（Transformer）的刀具寿命预测模型。该模型以刀具振动信号作为特征输入，利用长短期记忆神经网络对刀具磨损值进行时序建模与预测。开展刀具磨损实验，获取刀具加工过程中的振动数据和温度数据；基于采集数据建立Transformer-LSTM钻削刀具寿命预测模型，并与其他模型进行对比分析。结果表明：与传统方法（如单一 LSTM 模型、GRU 模型等）相比，所提方法在预测误差和稳定性方面均具有明显优势。在刀具剩余寿命预测任务中，Transformer-LSTM 在精度（RMSE 为2.835×10-2）、鲁棒性（MAE 为2.226×10-2）和绝定系数（R2为98.5%）上全面优于LSTM和GRU。最后，通过钛合金CFRP钻削加工实验验证该模型的预测精度和可靠性。结果表明：所提Transformer-LSTM方法能够准确预测钻削加工中的刀具寿命，为提升刀具寿命和加工质量提供了理论指导和实践参考。

来源：2026年第7期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第7期