机床与液压

作者：张合鹏，黄民，孙巍伟，赵文博

单位：北京信息科技大学机电工程学院；北京信息科技大学机电工程学院；北京信息科技大学机电工程学院；北京信息科技大学机电工程学院

关键词：刀具磨损预测;KAN-AM-LSTM模型;深度学习;信号处理;注意力机制

基金：工业和信息化部高端数控系统和伺服电机项目（TC210H03A-05）;工业和信息化部高精度加工中心可靠性提升项目（ZTZB-22-009-001）

现有刀具磨损预测方法在捕捉时间序列中的复杂关系和非线性模式方面存在不足，导致预测精度不高。针对此问题，提出一种基于注意力改进的KAN和长短期记忆网络 (LSTM)相结合的刀具状态预测模型。对传感器力信号、加速度振动信号和声发射信号进行预处理。使用Spearman相关系数在时域、频域和时频域进行特征寻优。最后，基于注意力机制赋予不同的输入影响权重，利用改进KAN-LSTM模型处理复杂的非线性关系和时间序列依赖性，增强模型对时间序列全局信息的感知能力，提高加工过程中刀具磨损的预测效果。结果表明：在PHM2010数据集c1、c4、c6上，所提模型KAN-AM-LSTM均方根误差（RMSE）分别为1.74、1.57、1.64，相比LSTM降低了约54%、56%、55%，相比KAN-LSTM降低了约44%、51%、19%。KAN-AM-LSTM模型的刀具磨损预测精度显著提升，为刀具磨损预测提供了可靠技术方案。

来源：2025年第18期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第18期