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；华北电力大学电力机械装备健康维护与失效预防河北省重点实验室

关键词：深度学习;双向长短时记忆网络;故障诊断;刀具磨损预测

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）

传统刀具磨损预测方法存在特征提取能力有限和时序建模不足的问题，难以适应复杂的加工环境干扰和非线性特性数据。针对此，构建一种融合卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制的深度学习模型。CNN用于从传感器数据提取局部空间特征，有效捕捉数据的局部模式；BiLSTM则用于建模时间序列的长期依赖关系，通过同时考虑历史与未来信息，增强模型对时间动态的理解。在此基础上引入注意力机制，使模型能够自适应地聚焦于对预测结果影响最大的特征，从而显著提升模型的精度和鲁棒性。在IEEE PHM 2010刀具磨损数据集上进行实验验证。结果表明：所提CutLSTM-ATT模型在磨损预测任务中显著提高了预测精度，尤其在处理复杂的时间序列数据时展现出较强的鲁棒性与准确性，其RMSE为2.616，MAE为1.074。所提模型不仅在刀具磨损监控方面具有广泛的应用潜力，也为类似的工业预测问题提供了新的思路和方法。

来源：2026年第5期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第5期