机床与液压

作者：刘学彬，张兵，朱建阳

单位：武汉科技大学机械工程学院；东莞理工学院机械工程学院；武汉科技大学机械工程学院

关键词：刀具故障诊断;特征提取;注意力机制;膨胀残差收缩

针对传统神经网络算法在刀具故障诊断中信号消噪和特征提取难以兼顾的问题，提出一种结合注意力机制和膨胀残差收缩网络的刀具故障诊断模型。该模型在DRSN的基础上引入ECA和SE两种通道注意力机制，提取故障信号并进行自适应特征融合；同时，在深层网络引入膨胀残差收缩，获取噪声干扰下的多尺度特征信息。利用数据集PHM2010进行测试验证。为了模拟真实工业环境的复杂性，在数据集中为刀具信号添加不同的噪声(高斯白噪声、粉红噪声、布朗噪声)，提升数据的可行性和模型的可靠性。实验结果表明：对于加噪后的3类测试样本，经模型降噪提取的各特征具有较好的区分性，验证了模型在噪声干扰下良好的诊断性能。该模型能够有效对刀具故障类别进行诊断，在-10 dB信噪比下，其平均准确率达到90.89%，相比传统DRSN、LSTM、CNN、WDCNN和MBCNN分别提高了3.01%、8.49%、14.57%、13.60%和13.95%，验证了该模型在特征提取上更强的降噪和消噪能力，为复杂工业场景下刀具的故障诊断提供了参考。

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