董靖川，武曉鑫，高宇博，蘇德鵬

融合注意力機(jī)制的刀具磨損預(yù)測(cè)方法

董靖川，武曉鑫，高宇博，蘇德鵬

(天津大學(xué)機(jī)械工程學(xué)院，天津 300072)

刀具的磨損狀態(tài)影響著工件表面質(zhì)量與加工穩(wěn)定性，故實(shí)現(xiàn)其磨損量的準(zhǔn)確監(jiān)測(cè)對(duì)于保證加工可靠性、維持生產(chǎn)加工連續(xù)性具有積極作用．為進(jìn)一步提高刀具磨損預(yù)測(cè)模型的泛化性能和準(zhǔn)確度，提出一種融合注意力機(jī)制的多尺度卷積雙向門(mén)控循環(huán)(multiscale convolutional bidirectional gated recurrent unit-attention，MSCBGRU-A)神經(jīng)網(wǎng)絡(luò)的刀具磨損預(yù)測(cè)方法，其由特征拓展模塊、多尺度卷積模塊、雙向GRU模塊、注意力模塊、回歸模塊組成．首先，將切削力、聲發(fā)射、振動(dòng)信號(hào)作為輸入信號(hào)，輸入信號(hào)通過(guò)多尺度卷積模塊獲得多個(gè)尺度的刀具磨損輸出特征圖，將多個(gè)卷積通道輸出的特征圖輸入到連接層進(jìn)行首尾和層疊兩種方式的連接來(lái)獲得兩種輸出數(shù)據(jù)．然后，將兩種輸出數(shù)據(jù)分別輸入到雙向GRU模塊與注意力模塊，通過(guò)雙向GRU模塊學(xué)習(xí)輸出特征圖動(dòng)態(tài)變化來(lái)獲取時(shí)序特征，通過(guò)注意力模塊對(duì)多尺度卷積神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行權(quán)值分配，強(qiáng)化對(duì)刀具磨損預(yù)測(cè)結(jié)果貢獻(xiàn)度更大的特征．最后，通過(guò)回歸模塊對(duì)磨損值進(jìn)行預(yù)測(cè)．經(jīng)過(guò)對(duì)比實(shí)驗(yàn)引入混合域注意力機(jī)制的基于卷積塊的注意力機(jī)制(convolutional block attention mechanism，CBAM)，獲得MSCBGRU-CBAM模型，并且通過(guò)繪制CBAM的注意力權(quán)重圖證明注意力機(jī)制可以自適應(yīng)地關(guān)注與刀具磨損更相關(guān)的特征．與其他深度學(xué)習(xí)模型進(jìn)行對(duì)比實(shí)驗(yàn)表明，MSCBGRU-CBAM模型具有最高的預(yù)測(cè)精度，且與未使用注意力機(jī)制的MSCBGRU模型相比，RMSE降低19.3%，MAE降低17.7%，2提高2.7%．

刀具磨損預(yù)測(cè)；多尺度卷積神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制；門(mén)控循環(huán)單元

在制造業(yè)中，數(shù)控機(jī)床是主要的加工設(shè)備，而刀具作為執(zhí)行部件，其磨損狀態(tài)是影響數(shù)控機(jī)床加工產(chǎn)品表面質(zhì)量與加工過(guò)程穩(wěn)定性的關(guān)鍵因素．刀具磨損的準(zhǔn)確監(jiān)測(cè)能夠有效地提高加工產(chǎn)品表面質(zhì)量、降低生產(chǎn)成本、減少停機(jī)時(shí)間、實(shí)現(xiàn)連續(xù)自動(dòng)化加工[1].

刀具的磨損監(jiān)測(cè)技術(shù)有直接法和間接法．其中，直接法就是通過(guò)相關(guān)設(shè)備直接檢測(cè)刀具體積變化，有光學(xué)圖像法[2-3]、電阻法等方法．間接法是指利用傳感器收集加工過(guò)程中的狀態(tài)信號(hào)，來(lái)反映刀具磨損的狀況．相比于直接法，間接法并沒(méi)有直接對(duì)加工過(guò)程產(chǎn)生影響，保證了加工過(guò)程的連續(xù)性．

基于間接法采集的數(shù)據(jù)，諸多學(xué)者采用傳統(tǒng)機(jī)器學(xué)習(xí)的方法建立磨損量與輸入數(shù)據(jù)之間的數(shù)學(xué)模型，如支持向量機(jī)[4]、高斯回歸[5]、人工神經(jīng)網(wǎng)絡(luò)[6]等．其弊端在于建模人員需要掌握有關(guān)刀具磨損的數(shù)據(jù)分析知識(shí)，提取與刀具磨損量相關(guān)的特征，比如時(shí)域、頻率和時(shí)頻域的特征，易造成特征提取不充分的問(wèn)題.

深度學(xué)習(xí)可以從大規(guī)模數(shù)據(jù)中自動(dòng)學(xué)習(xí)映射關(guān)系，適用于難以建立數(shù)學(xué)模型的加工過(guò)程，且其能自主提取時(shí)序數(shù)據(jù)深層次特征信息，不依賴于先驗(yàn)知識(shí)，故廣泛應(yīng)用于狀態(tài)監(jiān)測(cè)與故障診斷領(lǐng)域[7-8]．曹大理等[9]將待處理的數(shù)據(jù)視作一維圖像，將卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)應(yīng)用于傳感器采集的數(shù)據(jù)，自適應(yīng)提取特征．Marani等[10]發(fā)現(xiàn)主軸電流信號(hào)與刀具磨損之間的相關(guān)性，利用長(zhǎng)短時(shí)記憶(long short-term memory，LSTM)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)的長(zhǎng)期依賴關(guān)系，對(duì)刀具磨損值進(jìn)行預(yù)測(cè)．Babu等[11]分別提出了基于深度LSTM的模型和基于CNN的模型．對(duì)比結(jié)果表明，LSTM雖然可以獲得時(shí)間序列數(shù)據(jù)的長(zhǎng)期依賴特征，但特征提取能力略低于CNN．此外，由于傳感器原始數(shù)據(jù)通常包含噪聲，直接使用LSTM處理原始時(shí)序數(shù)據(jù)效果不佳．

因此，通常結(jié)合CNN與LSTM的優(yōu)勢(shì)來(lái)混合搭建模型[12]．何彥等[13]考慮到刀具磨損數(shù)據(jù)同時(shí)包含高維度特征與時(shí)序特征，將LSTM與CNN級(jí)聯(lián)建立網(wǎng)絡(luò)模型，對(duì)數(shù)據(jù)進(jìn)行時(shí)間與空間的多維度特征提取，這種混合方法可以減少噪聲的影響，保留更多有效特征，從而提高預(yù)測(cè)的準(zhǔn)確性．Bazi等[14]考慮刀具磨損時(shí)序信息復(fù)雜的特點(diǎn)，將變分模態(tài)分解(variational mode decomposition，VMD)處理后的信號(hào)用作輸入信號(hào)，采用雙向的LSTM提取數(shù)據(jù)前后相關(guān)性特征，并結(jié)合CNN，充分發(fā)揮CNN 模型的空間特征提取能力和雙向的LSTM 模型的時(shí)序特征提取能力．在大多數(shù)情況下，考慮反向信息獲得更多有用特征，提高模型的性能．董靖川等[15]針對(duì)單尺度卷積特征提取不完全與尺度大小難以確定的問(wèn)題，提出了多尺度分布式卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)多尺度卷積可以有效提升模型提取特征的能力，減少特征信息的丟失，并在此基礎(chǔ)上加入LSTM結(jié)構(gòu)學(xué)習(xí)時(shí)序特征．但LSTM結(jié)構(gòu)存在因參數(shù)過(guò)多導(dǎo)致的模型復(fù)雜度高且計(jì)算效率低等問(wèn)題，因此誕生了門(mén)控循環(huán)單元(gated recurrent unit，GRU)．Xu等[16]提出了一種基于多個(gè)門(mén)控循環(huán)單元的多階段刀具狀態(tài)監(jiān)測(cè)框架，提取表征刀具磨損狀態(tài)信息的特征．

上述學(xué)者在認(rèn)為全部數(shù)據(jù)特征對(duì)最終預(yù)測(cè)精度具有相同貢獻(xiàn)的情況下展開(kāi)研究，但特征信息的重要程度并不相同[17]．注意力機(jī)制(attention mechanism)近年來(lái)被提出，使模型可以自適應(yīng)地關(guān)注包含高相關(guān)性信息的特征．梁露等[18]采用ECANet(efficient channel attention network)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，突顯重要信息，提高了電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的準(zhǔn)確性．

針對(duì)上述研究現(xiàn)狀，本文提出一種融合注意力機(jī)制的多尺度卷積雙向門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)的刀具磨損預(yù)測(cè)方法．通過(guò)多尺度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)刀具磨損數(shù)據(jù)的不同尺度的空間特征．采用混合域注意力機(jī)制對(duì)多尺度卷積神經(jīng)網(wǎng)絡(luò)輸出的多通道特征圖進(jìn)行權(quán)值分配，使網(wǎng)絡(luò)更加注重與刀具磨損特征有關(guān)的通道與區(qū)域，降低模型中非重要特征的影響力．使用雙向門(mén)控循環(huán)單元對(duì)多尺度卷積神經(jīng)網(wǎng)絡(luò)輸出的多通道特征圖前向與后向的動(dòng)態(tài)變化進(jìn)行學(xué)習(xí)來(lái)獲取時(shí)序特征．最后對(duì)時(shí)序特征與空間特征進(jìn)行融合并使用全連接層對(duì)刀具磨損值進(jìn)行預(yù)測(cè)．所提方法提升了模型預(yù)測(cè)精度與泛化能力，滿足工業(yè)要求．

1?MSCBGRU-A模型框架

1.1?模型框架結(jié)構(gòu)說(shuō)明

本文所提模型由特征拓展模塊、多尺度卷積模塊、雙向GRU模塊、注意力模塊，回歸模塊組成．如圖1所示．

圖1?MSCBGRU-A模型框架結(jié)構(gòu)

特征拓展模塊由具有1×1卷積核大小的卷積層與非線性激活函數(shù)組成，1×1的卷積層將原始單通道輸入數(shù)據(jù)升維到多通道，并接入批標(biāo)準(zhǔn)化層與非線性激活函數(shù)，對(duì)數(shù)據(jù)進(jìn)行歸一化，提高網(wǎng)絡(luò)非線性擬合能力與特征抽象能力，加快網(wǎng)絡(luò)收斂．

多尺度卷積模塊由多尺度卷積神經(jīng)網(wǎng)絡(luò)(multiscale convolutional neural network，MSCNN)與連接層組成．多尺度卷積神經(jīng)網(wǎng)絡(luò)使輸入特征圖并行地通過(guò)具有不同尺度卷積核的卷積層，充分提取不同尺度的特征．連接層用于連接多尺度輸出特征圖作為后續(xù)模塊的輸入數(shù)據(jù)．

雙向GRU模塊由雙向GRU層與展平層組成．雙向GRU層可以同時(shí)提取前向和后向特征，提高獲取特征數(shù)據(jù)長(zhǎng)期依賴性的能力．展平層負(fù)責(zé)將輸入特征轉(zhuǎn)化為一維數(shù)組．

注意力模塊由注意力層與展平層組成，對(duì)輸入的不同尺度的特征進(jìn)行自適應(yīng)的權(quán)值分配，將注意力更多地集中在與刀具磨損相關(guān)性更強(qiáng)的特征信息上．

回歸模塊由連接層、全連接層與Dropout層組成．連接層將時(shí)序特征與經(jīng)過(guò)注意力權(quán)值分配的多尺度卷積輸出特征融合送入全連接層與Dropout層得到刀具磨損值預(yù)測(cè)結(jié)果．

1.2?多尺度卷積神經(jīng)網(wǎng)絡(luò)

MSCNN是CNN的一種實(shí)現(xiàn)形式，CNN通過(guò)卷積操作提取特征矩陣．卷積操作是通過(guò)具有一定大小的卷積核在數(shù)據(jù)矩陣上滑動(dòng)，對(duì)應(yīng)位置的值相乘，將結(jié)果累加形成新的特征矩陣．卷積的優(yōu)勢(shì)在于，可以增強(qiáng)信號(hào)特性、降低噪聲干擾、充分學(xué)習(xí)輸入特征．計(jì)算過(guò)程如式(1)所示．

MSCNN的具體結(jié)構(gòu)如圖1中多尺度卷積模塊所示，由多個(gè)并行的卷積通道組成，每個(gè)卷積通道可根據(jù)實(shí)際任務(wù)包含多個(gè)卷積塊．卷積塊的組成如圖2所示．

單個(gè)卷積塊首先連接卷積層，通過(guò)式(1)所示的卷積操作提取數(shù)據(jù)的空間特征．本文中設(shè)置8個(gè)不同尺度的卷積通道，每個(gè)卷積通道使用2個(gè)卷積塊：各個(gè)卷積通道的第1個(gè)卷積塊所用卷積層的卷積核大小相同，用于提取數(shù)據(jù)更全局的局部特征，同時(shí)調(diào)整數(shù)據(jù)維度；第2個(gè)卷積塊使用不同尺度的卷積層，用于提取更細(xì)微的局部特征．本文根據(jù)實(shí)際數(shù)據(jù)維度，第2個(gè)卷積塊中的卷積核大小設(shè)置為(＋2，3)，表示第條卷積通道．

圖2?卷積塊結(jié)構(gòu)

其次，連接激活層，本文中使用LeakyReLU函數(shù)作為卷積塊中激活層的激活函數(shù)，其作為分段線性函數(shù)，在正負(fù)區(qū)間內(nèi)具有不同的恒定且不為0的導(dǎo)數(shù)，避免梯度消失的問(wèn)題．

然后，連接批標(biāo)準(zhǔn)化層(batch normalization，BN)，調(diào)整特征圖之間的數(shù)據(jù)分布，加快模型訓(xùn)練．

最后，連接池化層(pooling)．進(jìn)一步凝練特征，相當(dāng)于卷積后的二次特征提取．本文模型使用最大池化層．

1.3?門(mén)控循環(huán)單元

門(mén)控循環(huán)單元從循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)發(fā)展而來(lái)，RNN通過(guò)記憶單元提取時(shí)序變化特征與規(guī)律，每一時(shí)刻的輸出都由前面所有時(shí)刻共同決定，記憶單元越多效果越好．但是當(dāng)時(shí)序數(shù)據(jù)過(guò)長(zhǎng)時(shí)，RNN會(huì)出現(xiàn)梯度消失導(dǎo)致模型處理長(zhǎng)時(shí)間序列數(shù)據(jù)的性能下降，無(wú)法學(xué)習(xí)到更長(zhǎng)期的依賴關(guān)系．GRU使用門(mén)結(jié)構(gòu)解決了上述問(wèn)題，與LSTM的門(mén)結(jié)構(gòu)對(duì)比，GRU只有兩個(gè)門(mén)，通過(guò)減少門(mén)的數(shù)量降低了參數(shù)數(shù)量，提高了訓(xùn)練速度．兩個(gè)門(mén)分別為重置門(mén)與更新門(mén)，如圖3所示．兩個(gè)門(mén)控結(jié)構(gòu)決定了哪些信息最終能作為門(mén)控循環(huán)單元的輸出．其中重置門(mén)決定遺忘多少之前學(xué)習(xí)到的信息，獲取短期時(shí)序特征；更新門(mén)決定過(guò)去的信息與當(dāng)前的信息有多少可以被傳遞到下一個(gè)記憶單元，可以獲取數(shù)據(jù)的長(zhǎng)期時(shí)序特征．

圖3?GRU模型結(jié)構(gòu)

計(jì)算方式如式(2)所示．

上述GRU為單向的GRU，單向GRU只考慮到正向的長(zhǎng)期依賴性，忽略了反向的長(zhǎng)期依賴特征．本文使用BiGRU層作為時(shí)序特征提取層，將前后輸入特征同時(shí)兼顧，能夠充分提取數(shù)據(jù)的時(shí)序特征．雙向傳播的門(mén)控循環(huán)單元網(wǎng)絡(luò)結(jié)果如圖4所示，其由前向GRU與后向GRU組成，通過(guò)GRU的隱藏層達(dá)到前向和后向兩個(gè)方向的計(jì)算可以獲得更多的數(shù)據(jù)特征.

圖4?BiGRU模型結(jié)構(gòu)

BiGRU層更新過(guò)程如式(3)所示．

1.4?CBAM注意力機(jī)制

注意力機(jī)制是根據(jù)人類觀察圖像時(shí)會(huì)聚焦于圖像某些區(qū)域，從而重點(diǎn)關(guān)注這一現(xiàn)象提出的．通過(guò)引入注意力機(jī)制，在眾多的輸入特征中聚焦于對(duì)當(dāng)前刀具磨損預(yù)測(cè)任務(wù)貢獻(xiàn)度更大的特征，降低其他特征對(duì)結(jié)果的影響，提高模型的準(zhǔn)確性．

注意力機(jī)制根據(jù)關(guān)注對(duì)象的不同可以分為通道域注意力機(jī)制和空間域注意力機(jī)制．混合域注意力機(jī)制是融合兩者形成的．通道注意力機(jī)制的代表性方法有SENet[19](squeeze-and-excitation network)方法和ECANet方法[20].空間注意力機(jī)制方法采用CBAM[21]方法中的空間注意力模塊，后文以SAM (spatial attention module)代指此方法．混合域注意力機(jī)制的代表性方法是CBAM方法．

本文利用具有不同卷積核大小的卷積層提取刀具磨損數(shù)據(jù)的特征，每種尺度的特征對(duì)刀具磨損預(yù)測(cè)準(zhǔn)確度的影響程度不同，刀具磨損數(shù)據(jù)不同區(qū)域提取的特征對(duì)結(jié)果的影響程度也不同，所以為了進(jìn)一步提升模型的預(yù)測(cè)精度與泛化性采用注意力機(jī)制優(yōu)化多尺度卷積神經(jīng)網(wǎng)絡(luò)．通過(guò)實(shí)驗(yàn)對(duì)比驗(yàn)證，本文最終使用CBAM作為本文注意力模塊．CBAM結(jié)構(gòu)如圖5所示．CBAM中的通道注意力用于獲取每個(gè)通道對(duì)結(jié)果的貢獻(xiàn)度，弱化與刀具磨損不相關(guān)特征通道的影響力．空間注意力機(jī)制用于獲取輸入特征圖不同區(qū)域?qū)Φ毒吣p的貢獻(xiàn)度，使與刀具磨損更相關(guān)的特征區(qū)域得到關(guān)注，提高特征的魯棒性．

圖5?CBAM結(jié)構(gòu)

CBAM首先進(jìn)行特征圖各個(gè)通道權(quán)重的分配，式(4)給出了通道注意力的計(jì)算方法．首先分別計(jì)算各個(gè)通道的全局平均池化值與全局最大池化值，各個(gè)通道的值按照通道所處位置排列組成一維數(shù)組，獲得平均池化數(shù)組與最大池化數(shù)組．將兩者依次輸入到只有一個(gè)隱藏層的多層感知器(MLP)中，獲得兩組輸出的權(quán)重．將輸出的權(quán)重相加送入激活層，激活層使用Sigmoid函數(shù)將各個(gè)通道的權(quán)重系數(shù)映射到0與1之間，即可獲取通道的權(quán)重系數(shù)．最后將輸入特征的通道與對(duì)應(yīng)的通道權(quán)重系數(shù)相乘，獲取空間注意力機(jī)制的輸入特征數(shù)據(jù)．

式中：Mc為通道注意力部分的計(jì)算符號(hào)；為Sigmoid激活函數(shù)；MLP為多層感知器；AvgPool為全局平均池化計(jì)算函數(shù)；MaxPool為全局最大池化計(jì)算函數(shù)．

然后，CBAM進(jìn)行特征區(qū)域的權(quán)值分配．計(jì)算方式如式(5)所示．首先，對(duì)輸入數(shù)據(jù)沿特征圖平面方向分別計(jì)算平均池化特征圖和最大池化特征圖，并將兩者的計(jì)算結(jié)果按照?qǐng)D5所示合并，然后，將合并結(jié)果依次通過(guò)卷積層與激活層獲取空間注意的權(quán)重系數(shù)．最后，將權(quán)重系數(shù)與輸入數(shù)據(jù)相乘，獲得最終的輸出特征．

式中：Ms為空間注意力部分的計(jì)算符號(hào)；為卷積層的計(jì)算．

2?實(shí)驗(yàn)驗(yàn)證

2.1?數(shù)據(jù)集說(shuō)明

為了驗(yàn)證本文提出模型的有效性，采用美國(guó)預(yù)測(cè)與健康管理學(xué)會(huì)提供的銑削數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)．此數(shù)據(jù)集中的銑削實(shí)驗(yàn)采用的設(shè)備與主要加工條件如圖6與表1所示．

圖6?銑削實(shí)驗(yàn)臺(tái)

表1?實(shí)驗(yàn)設(shè)備參數(shù)

Tab.1?Parameters of experimental equipment

按照相同的實(shí)驗(yàn)條件與加工參數(shù)進(jìn)行6次銑刀全生命周期實(shí)驗(yàn)．銑削方式采用順銑，單次銑削長(zhǎng)度為108mm．在此過(guò)程中，使用表1中所示傳感器采集銑刀加工數(shù)據(jù)．每次銑削結(jié)束后使用表1中所示顯微鏡直接測(cè)量并記錄實(shí)驗(yàn)刀具3個(gè)刀刃后刀面的磨損量．最終獲得C1、C4、C6 3把球頭銑刀的全生命周期數(shù)據(jù)集，每把刀具包含315次走刀數(shù)據(jù)與315組磨損值，單次走刀數(shù)據(jù)包含7列信號(hào)，前3列是三向銑削力信號(hào)，然后是三向振動(dòng)信號(hào)，最后1列為聲發(fā)射均方根值信號(hào)．

本文中采用每把刀的3個(gè)刀刃的磨損平均值作為銑刀實(shí)際磨損量用于訓(xùn)練與預(yù)測(cè)．3把刀具的磨損量如圖7所示．

圖7?C1、C4、C6刀具磨損曲線

2.2?實(shí)驗(yàn)設(shè)置

從圖7中可以看出磨損曲線具有較大的分布差異，雖然3把銑刀在相同工況下進(jìn)行銑削實(shí)驗(yàn)，但是刀具個(gè)體的不同導(dǎo)致刀具性能、安裝誤差等因素具有差異性的數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)訓(xùn)練模型，3把刀具輪流作為訓(xùn)練集訓(xùn)練模型，使用該模型預(yù)測(cè)其余2把刀具的磨損值．每組實(shí)驗(yàn)進(jìn)行3次訓(xùn)練與預(yù)測(cè)，取評(píng)價(jià)指標(biāo)的平均值作為最終結(jié)果，實(shí)驗(yàn)設(shè)置如表2所示．

表2?實(shí)驗(yàn)設(shè)置

Tab.2?Experimental setup

本文采用均方根誤差(root mean square error，RMSE)、平均絕對(duì)誤差(mean absolute error，MAE)與決定系數(shù)2作為評(píng)價(jià)指標(biāo)．均方根誤差在計(jì)算過(guò)程中采用誤差的平方，對(duì)于預(yù)測(cè)值中預(yù)測(cè)誤差較大的值更敏感，易受極端值的影響，反映離群點(diǎn)．MAE反映的是真實(shí)誤差，不易受極端值的影響，綜合反映整體誤差．決定系數(shù)2是一種去量綱的評(píng)價(jià)指標(biāo)，反映預(yù)測(cè)值對(duì)真實(shí)值的擬合程度，越接近1證明模型效果越好．3個(gè)評(píng)價(jià)指標(biāo)計(jì)算公式分別為

2.3?參數(shù)設(shè)置

深度學(xué)習(xí)模型涉及大量的超參數(shù)與結(jié)構(gòu)參數(shù)，試錯(cuò)法作為一種常用于確定深度學(xué)習(xí)模型參數(shù)的方法，能以簡(jiǎn)單直接的方式獲得較滿意的參數(shù)選擇效果．因此，本文涉及的深度模型參數(shù)均在大量實(shí)驗(yàn)數(shù)據(jù)下通過(guò)試錯(cuò)法確定．

對(duì)于MSCBGRU-CBAM模型的結(jié)構(gòu)參數(shù)，輸入數(shù)據(jù)維度為(5，1，2000，7)，多尺度卷積模塊的卷積通道數(shù)量選為8，每個(gè)卷積通道使用2個(gè)卷積塊．

對(duì)于MSCBGRU-CBAM模型的超參數(shù)，文中所有LeakyReLU函數(shù)的負(fù)值部分斜率取0.02，優(yōu)化器選用Adam優(yōu)化器，學(xué)習(xí)率設(shè)為0.01，批大小設(shè)為5，迭代最大次數(shù)設(shè)為500，模型的其他參數(shù)如表3所示.

表3?模型參數(shù)

Tab.3?Model parameters

2.4?本文模型實(shí)驗(yàn)結(jié)果

圖8為使用本文所述模型后的預(yù)測(cè)結(jié)果，每張圖按照“訓(xùn)練集-測(cè)試集”的方式命名，每張圖中包含兩條曲線，其中藍(lán)色曲線代表測(cè)試集的磨損真實(shí)值，紅色曲線代表磨損預(yù)測(cè)值．從圖8與表4中可以看出，使用任何一把刀具作為訓(xùn)練集，預(yù)測(cè)曲線均能以極小的誤差擬合真實(shí)曲線，趨勢(shì)正確，證明了本模型在刀具磨損預(yù)測(cè)領(lǐng)域具有良好的泛化性與預(yù)測(cè)精度．

（a）C1-C4???? ??（b）C1-C6

（c）C4-C1??? ???（d）C4-C6

（e）C6-C1?? ? （f）C6-C4

圖8?本文模型預(yù)測(cè)結(jié)果趨勢(shì)

Fig.8?Trend chart of prediction results of the proposed model

表4?本文模型預(yù)測(cè)結(jié)果

Tab.4?Prediction results of the proposed model

2.5?注意力機(jī)制可視化展示

本文模型中的注意力模塊使用混合域注意力機(jī)制CBAM，該注意力機(jī)制對(duì)多尺度卷積模塊輸出的特征圖進(jìn)行通道域與空間域上的權(quán)重分配，圖9與圖10分別為通道注意力模塊權(quán)重和空間注意力模塊權(quán)重．

從圖9中可以看出通道注意力模塊從每組實(shí)驗(yàn)中均學(xué)習(xí)到了各個(gè)通道的權(quán)重，每個(gè)通道代表著一種尺度的卷積．由于訓(xùn)練集不同、卷積層內(nèi)部卷積核的權(quán)重參數(shù)和送入樣本批次的隨機(jī)性導(dǎo)致通道注意力學(xué)習(xí)得到的權(quán)重不相同，證明了通道注意力機(jī)制可以根據(jù)訓(xùn)練集以及訓(xùn)練情況的變化自適應(yīng)地選取與刀具磨損更加相關(guān)的特征．

（a）C1-C4????? ???（b）C1-C6

（c）C4-C1???? ?????（d）C4-C6

（e）C6-C1????? ??（f）C6-C4

圖9?通道注意力模塊權(quán)重

Fig.9?Weight diagram of the channel attention module

空間注意力模塊的權(quán)重以熱圖的形式進(jìn)行可視化，如圖10所示，以藍(lán)色為底色，顏色越深代表權(quán)重越大．輸入數(shù)據(jù)維度為(batch_size，8，4，5)，其中batch_size表示批大小，8表示通道數(shù)，4表示行數(shù)，5表示列數(shù)，所以空間注意力機(jī)制的權(quán)重圖的矩陣維度為4行5列．從圖10中可以看出，以C1、C4、C6互為訓(xùn)練集與測(cè)試集的實(shí)驗(yàn)中，每張空間注意力機(jī)制權(quán)重圖均表現(xiàn)出左邊顏色深、右邊顏色淺的規(guī)律，即在矩陣空間上，左側(cè)矩陣權(quán)重大、右側(cè)矩陣權(quán)重小，且從左到右權(quán)重逐漸變小的趨勢(shì)．其原因?yàn)樵驾斎霐?shù)據(jù)中為7列數(shù)據(jù)，前3列為切削力，中間3列為振動(dòng)數(shù)據(jù)，最后1列為聲發(fā)射信號(hào)．根據(jù)相關(guān)理論[22]，切削力與刀具磨損直接相關(guān)，振動(dòng)信號(hào)與刀具磨損的關(guān)系不如切削力直接，聲發(fā)射數(shù)據(jù)對(duì)切削條件敏?感、處理難度大，所以空間注意力最終呈現(xiàn)出這樣的趨勢(shì)．

通過(guò)通道注意力權(quán)重與空間注意力機(jī)制權(quán)重可以看出，注意力機(jī)制可以有效地關(guān)注到與刀具磨損更加相關(guān)的特征，弱化不相關(guān)特征．

2.6?不同注意力機(jī)制的對(duì)比實(shí)驗(yàn)

本文選用通道域SENet與ECANet、空間域SAM、混合域CBAM 3種不同域的注意力機(jī)制作為模型的注意力模塊進(jìn)行對(duì)比驗(yàn)證．結(jié)果如圖11所示.

從圖11中可知，相比于未使用注意力機(jī)制的模型，4種注意力機(jī)制均對(duì)模型的預(yù)測(cè)效果起到了提高作用，RMSE與MAE呈現(xiàn)明顯降低的趨勢(shì)，2呈現(xiàn)上升的趨勢(shì)，驗(yàn)證了注意力機(jī)制具有提高刀具磨損模型的預(yù)測(cè)效果作用．其中，CBAM模塊對(duì)模型預(yù)測(cè)效果的提升最好，RMSE降低了19.3%，MAE降低了17.7%，2提高了2.7%．這是因?yàn)镃BAM在通道與空間兩個(gè)層面上計(jì)算權(quán)重，能夠?qū)⒕W(wǎng)絡(luò)資源分配到與刀具磨損更相關(guān)的特征，實(shí)現(xiàn)刀具磨損領(lǐng)域下網(wǎng)絡(luò)模型的自適應(yīng)注意．而使用其余3種注意力機(jī)制的模型提高效果相近，是因?yàn)槿呔窒抻诳紤]特征圖通道之間的權(quán)重關(guān)系或者特征區(qū)域的重要性，沒(méi)有考慮全面，所以提升效果較差．

（a）C1-C4??????????????????? （b）C1-C6

（c）C4-C1??????????????????? （d）C4-C6

（e）C6-C1??????????????????? （f）C6-C4

圖10?空間注意力模塊權(quán)重

Fig.10?Weight diagram of the spatial attention module

圖11?采用不同注意力機(jī)制的預(yù)測(cè)結(jié)果對(duì)比

2.7?模型結(jié)構(gòu)有效性驗(yàn)證

本文提出的MSCBGRU-CBAM模型由多個(gè)模塊構(gòu)成，現(xiàn)通過(guò)在MSCBGRU-CBAM模型基礎(chǔ)上分別去除特征拓展模塊、雙向GRU模塊、注意力模塊與MSCBGRU-CBAM模型進(jìn)行對(duì)比驗(yàn)證，驗(yàn)證本文模型框架中各個(gè)模塊的重要性．由于多尺度卷積模塊為模型主干網(wǎng)絡(luò)，去除該模塊對(duì)模型整體造成較大改動(dòng)，且卷積層的特征提取能力已被多名學(xué)者驗(yàn)證，所以本次實(shí)驗(yàn)不設(shè)置去除多尺度卷積模塊的模型．實(shí)驗(yàn)結(jié)果如圖12所示．

從圖12可知，去除模塊會(huì)對(duì)模型的預(yù)測(cè)性能造成影響．首先，去除特征拓展模塊對(duì)模型造成的影響最大，其原因在于去除特征拓展模塊導(dǎo)致模型非線性表達(dá)能力降低，難以學(xué)習(xí)到刀具磨損特征與刀具磨損值間復(fù)雜的映射關(guān)系．其次，去除雙向GRU模塊效果變差是因?yàn)槟Ｐ蜎](méi)有學(xué)習(xí)到刀具磨損數(shù)據(jù)的時(shí)序特征，丟失了部分信息，使得模型預(yù)測(cè)效果下降．最后，去除注意力模塊的影響最小，但也使得模型性能下降，主要因?yàn)槟Ｐ筒荒茏赃m應(yīng)地突出與刀具磨損更相關(guān)特征，使得相關(guān)性高的特征與相關(guān)性低的特征對(duì)結(jié)果的影響力相同．

2.8?不同模型對(duì)比實(shí)驗(yàn)

在刀具磨損預(yù)測(cè)領(lǐng)域，已經(jīng)有諸多學(xué)者提出了相關(guān)預(yù)測(cè)方法，并且在本數(shù)據(jù)集中取得了不錯(cuò)的效果．本文選擇其中一些刀具磨損預(yù)測(cè)方法與本模型進(jìn)行對(duì)比，證明本模型的優(yōu)勢(shì)，實(shí)驗(yàn)設(shè)置與表2相同．本模型選取的算法有高斯過(guò)程回歸(Gaussian process regression，GPR)、隨機(jī)森林(random forest)、LightGBM(light gradient boosting machine)、結(jié)合粒子群算法優(yōu)化的支持向量回歸(PSO-SVR)、LSTM、分布式卷積網(wǎng)絡(luò)(time-distributed convolutional neural networks，TDCNN)、LSTM-CNN．

其中GPR、random forest、LightGBM、PSO-SVR 4種算法的輸入特征需要進(jìn)行特征提取與特征降維．首先對(duì)原始數(shù)據(jù)進(jìn)行特征提取，每列原始數(shù)據(jù)提取均方根值、峰峰值、峭度、峰度、頻率均方根、中心頻率等共16個(gè)特征．原始數(shù)據(jù)中包含7列數(shù)據(jù)，共112個(gè)特征．再采用PCA進(jìn)行特征降維，保留10個(gè)特征，作為以上4種刀具磨損預(yù)測(cè)方法的輸入．其他方法均采用原始數(shù)據(jù)作為輸入．實(shí)驗(yàn)結(jié)果如圖13所示．

從圖13中可知，深度學(xué)習(xí)方法的預(yù)測(cè)效果均優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法．幾種深度學(xué)習(xí)方法中，LSTM模型主要提取數(shù)據(jù)的時(shí)序特征，TDCNN模型提取空間特征，LSTM-CNN與MSCBGRU提取數(shù)據(jù)的時(shí)空特征．從圖13中可以看出LSTM-CNN與MSCBGRU的預(yù)測(cè)效果明顯優(yōu)于前兩者，說(shuō)明同時(shí)提取時(shí)空特征的必要性．MSCBGRU-CBAM模型在深度學(xué)習(xí)方法中取得了最佳的效果，證明了該模型可以有效地提取并融合刀具磨損數(shù)據(jù)的空間特征與時(shí)序特征，能夠更加精準(zhǔn)地預(yù)測(cè)刀具磨損值．

圖13?不同模型的預(yù)測(cè)結(jié)果對(duì)比

2.9?模型學(xué)習(xí)在少信號(hào)條件下學(xué)習(xí)能力驗(yàn)證

經(jīng)過(guò)多種注意力機(jī)制之間的對(duì)比實(shí)驗(yàn)，已經(jīng)確定模型使用的最佳注意力機(jī)制為CBAM，通過(guò)模型結(jié)構(gòu)驗(yàn)證各個(gè)模塊對(duì)于模型預(yù)測(cè)結(jié)果的影響，并在相同輸入條件下與當(dāng)下常見(jiàn)的深度學(xué)習(xí)模型和最新模型進(jìn)行了對(duì)比驗(yàn)證，證明本文模型在預(yù)測(cè)精度上的優(yōu)勢(shì).為了更加了解模型的適用范圍與邊界條件，進(jìn)行模型在缺少某部分信號(hào)信息條件下的學(xué)習(xí)與訓(xùn)練.本文使用的數(shù)據(jù)集中包含切削力信號(hào)、振動(dòng)信號(hào)與聲發(fā)射信號(hào)，所以實(shí)驗(yàn)共分為7組，具體設(shè)置如表5所示，前3組采用單一信號(hào)作為輸入信號(hào)，第4～6組采用兩兩組合的形式作為輸入信號(hào)．其中模型采用MSCBGRU-CBAM模型，每組實(shí)驗(yàn)按照表2所示實(shí)驗(yàn)設(shè)置進(jìn)行．

表5?多傳感器驗(yàn)證實(shí)驗(yàn)設(shè)置

Tab.5?Multisensor verification experiment setup

實(shí)驗(yàn)結(jié)果如圖14所示．在實(shí)驗(yàn)過(guò)程，由于本文采用的決定系數(shù)計(jì)算方法的取值范圍為(－∞，1)，第3組與第6組內(nèi)的部分實(shí)驗(yàn)出現(xiàn)了決定系數(shù)為負(fù)值的情況，說(shuō)明預(yù)測(cè)效果較差．由于取值范圍的不對(duì)稱性，取負(fù)值時(shí)將其計(jì)算入平均值會(huì)造成較大的差異．為了便于對(duì)比，當(dāng)決定系數(shù)為負(fù)值時(shí)取0，不影響結(jié)果趨勢(shì)．

圖14?不同輸入信號(hào)預(yù)測(cè)結(jié)果

從圖14中可見(jiàn)，當(dāng)3種信號(hào)同時(shí)作為輸入信號(hào)時(shí)效果最好，3種指標(biāo)均取得最優(yōu)效果．將第1組、第2組、第3組實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比可知，單一傳感器信號(hào)中的切削力信號(hào)的RMSE與MAE指標(biāo)最低，2最高，預(yù)測(cè)效果最好．振動(dòng)信號(hào)次之，聲發(fā)射信號(hào)預(yù)測(cè)效果最差，甚至其決定系數(shù)為0，表示聲發(fā)射信號(hào)的預(yù)測(cè)效果達(dá)不到取平均值的預(yù)測(cè)效果．結(jié)果與相關(guān)理論一致，這是因?yàn)榍邢髁π盘?hào)受刀具磨損的影響更大，包含磨損信息更多．而聲發(fā)射對(duì)切削條件中的噪聲和變化比刀具本身的條件更敏感，更適合作為增加可靠性的附加信號(hào)，不適合單獨(dú)地作為輸入信號(hào)進(jìn)行刀具磨損預(yù)測(cè)．從6組實(shí)驗(yàn)對(duì)比可知，當(dāng)使用2個(gè)傳感器作為輸入信號(hào)時(shí)，普遍對(duì)單一信號(hào)起到了一定優(yōu)化作用，可以證明多傳感器信號(hào)融合對(duì)于刀具磨損模型預(yù)測(cè)精度提升的有效性．

除第3組實(shí)驗(yàn)，其他組實(shí)驗(yàn)中，本文模型在缺少部分傳感器信號(hào)的情況下，依然取得了較好的結(jié)果，證明了本文模型對(duì)于刀具磨損特征的學(xué)習(xí)能力更強(qiáng)，可以在缺少部分傳感器的場(chǎng)景中使用．第3組實(shí)驗(yàn)的結(jié)果相對(duì)其他組結(jié)果較差，說(shuō)明在只使用聲發(fā)射信號(hào)的情況下，本文模型學(xué)習(xí)能力較差，如何針對(duì)聲發(fā)射信號(hào)進(jìn)行對(duì)應(yīng)的改進(jìn)將是未來(lái)對(duì)模型改進(jìn)的重要方向．

3?結(jié)?論

本文提出了一種融合注意力機(jī)制的多尺度卷積雙向門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)的刀具磨損預(yù)測(cè)方法，將刀具磨損數(shù)據(jù)的時(shí)空特征進(jìn)行融合并使用注意力機(jī)制優(yōu)化模型，對(duì)注意力機(jī)制學(xué)習(xí)到的權(quán)重進(jìn)行了可視化，并通過(guò)實(shí)驗(yàn)驗(yàn)證了最佳的注意力機(jī)制．通過(guò)與其他模型進(jìn)行對(duì)比，確定了模型在刀具磨損領(lǐng)域的有效性，得出以下結(jié)論．

(1) 本文提出的MSCBGRU-CBAM模型可以有效提取并融合刀具磨損數(shù)據(jù)的時(shí)空特征，并有效挖掘出輸入特征與刀具磨損值之間的復(fù)雜映射關(guān)系，在RMSE、2、MAE指標(biāo)上優(yōu)于其他算法，有效提升了刀具磨損預(yù)測(cè)精度與泛化性能．

(2) 將注意力機(jī)制從通道域、空間域和混合域的角度出發(fā)，經(jīng)對(duì)比發(fā)現(xiàn)，SENet、ECANet、SAM和CBAM均能提高模型的預(yù)測(cè)精度，且繪制了使用CBAM注意力機(jī)制情況下注意力層學(xué)習(xí)到的權(quán)重圖，證明注意力機(jī)制可以有效自適應(yīng)地關(guān)注與刀具磨損更相關(guān)的特征．其中，基于混合域的CBAM注意力機(jī)制效果最好，更適用于刀具磨損預(yù)測(cè)任務(wù)．

(3) 通過(guò)使用缺失信號(hào)作為輸入對(duì)模型進(jìn)行驗(yàn)證，表明該模型在非多源傳感器融合的場(chǎng)景中仍具備良好的預(yù)測(cè)性能，更加滿足工業(yè)現(xiàn)場(chǎng)的實(shí)際需求．

［1］ 董江磊，代月幫，雍建華，等. 刀具磨損狀態(tài)識(shí)別與智能監(jiān)測(cè)方法綜述[J]. 風(fēng)機(jī)技術(shù)，2019，61(6)：67-73.

Dong Jianglei，Dai Yuebang，Yong Jianhua，et al. Overview of tool wear status recognition and intelligent monitoring[J]. Chinese Journal of Turbomachinery，2019，61(6)：67-73(in Chinese).

［2］ 田?穎，楊利明. 基于組合型閾值分割的在線立銑刀側(cè)刃磨損測(cè)量[J]. 天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版)，2023，56(1)：81-92.

Tian Ying，Yang Liming. Online side edge wear measurement of milling based on combined threshold segmentation[J]. Journal of Tianjin University(Science and Technology)，2023，56(1)：81-92(in Chinese).

［3］ 田?穎，楊利明，郜占旭，等. 立銑刀側(cè)刃磨損檢測(cè)的裝置及方法[J]. 天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版)，2022，55(10)：1008-1015.

Tian Ying，Yang Liming，Gao Zhanxu，et al. Device and method for detecting side edge wear of end milling[J]. Journal of Tianjin University(Science and Technology)，2022，55(10)：1008-1015(in Chinese).

［4］ 黃慶卿，黃?豪，張?焱，等. 基于多信息融合和改進(jìn)PSO-SVM的刀具磨損仿真預(yù)測(cè)[J]. 實(shí)驗(yàn)室研究與探索，2021，40(6)：119-123.

Huang Qingqing，Huang Hao，Zhang Yan，et al. Tool wear simulation prediction based on multi-information fusion and improved PSO-SVM[J]. Research and Exploration in Laboratory，2021，40(6)：119-123(in Chinese).

［5］ 曹?翔，趙培軼，王鵬程，等. 基于高斯過(guò)程回歸方法的鈦合金銑削刀具磨損預(yù)測(cè)[J]. 制造技術(shù)與機(jī)床，2019(6)：55-59.

Cao Xiang，Zhao Peiyi，Wang Pengcheng，et al. A novel method for tool wear prediction in titanium milling by Gaussian process regression method[J]. Manufacturing Technology & Machine Tool，2019(6)：55-59(in Chinese).

［6］ 田?穎，王文豪，楊利明，等. 基于刀具磨損狀態(tài)識(shí)別的加工參數(shù)多目標(biāo)優(yōu)化[J]. 天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版)，2022，55(2)：166-173.

Tian Ying，Wang Wenhao，Yang Liming，et al. Multi-objective optimization of machining parameters based on tool wear condition[J]. Journal of Tianjin University(Science and Technology)，2022，55(2)：166-173(in Chinese).

［7］ Xu X W，Tao Z R，Ming W W，et al. Intelligent monitoring and diagnostics using a novel integrated model based on deep learning and multi-sensor feature fusion[J]. Measurement，2020，165：108086.

［8］ Elsheikh A，Yacout S，Ouali M S. Bidirectional handshaking LSTM for remaining useful life prediction[J]. Neurocomputing，2019，323(1)：148-156.

［9］ 曹大理，孫惠斌，張紀(jì)鐸，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損在線監(jiān)測(cè)[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2020，26(1)：74-80.

Cao Dali，Sun Huibin，Zhang Jiduo，et al. In-process tool condition monitoring based on convolution neural network[J]. Computer Integrated Manufacturing Systems，2020，26(1)：74-80(in Chinese).

［10］ Marani M，Zeinali M，Songmene V，et al. Tool wear prediction in high-speed turning of a steel alloy using long short-term memory modelling[J]. Measurement，2021(12)：109329.

［11］ Babu G S，Zhao P，Li X L. Deep convolutional neural network based regression approach for estimation of remaining useful life[C]// International Conference on Database Systems for Advanced Applications. Dallas，USA，2016：214-228.

［12］ Zhao C Y，Huang X Z，Li Y X，et al. A double-channel hybrid deep neural network based on CNN and BiLSTM for remaining useful life prediction[J]. Sensors，2020，20(24)：7109.

［13］ 何?彥，凌俊杰，王禹林，等. 基于長(zhǎng)短時(shí)記憶卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損在線監(jiān)測(cè)模型[J]. 中國(guó)機(jī)械工程，2020，31(16)：1959-1967.

He Yan，Ling Junjie，Wang Yulin，et al. In-process tool wear monitoring model based on LSTM-CNN[J]. China Mechanical Engineering，2020，31(16)：1959-1967(in Chinese).

［14］ Bazi R，Benkedjouh T，Habbouche H，et al. A hybrid CNN-BiLSTM approach-based variational mode decomposition for tool wear monitoring[J]. The International Journal of Advanced Manufacturing Technology，2022，119(1)：1-15.

［15］ 董靖川，譚志蘭，王太勇，等. 結(jié)合域?qū)棺赃m應(yīng)的刀具磨損預(yù)測(cè)方法[J]. 機(jī)械科學(xué)與技術(shù)，2023，42(2)：165-172.

Dong Jingchuan，Tan Zhilan，Wang Taiyong，et al. Prediction method of tool wear combined with domain adversarial adaptation[J]. Mechanical Science and Technology for Aerospace Engineering，2023，42(2)：165-172(in Chinese).

［16］ Xu H，Hong G S，Zhou J H，et al. Coarse-to-fine tool condition monitoring using multiple gated recurrent units[C]//45th Annual Conference of the IEEE Industrial Electronics Society. Lisbon，Portugal，2019：3737-3742.

［17］ Song Y，Gao S，Li Y，et al. Distributed attention-based temporal convolutional network for remaining useful life prediction[J]. IEEE Internet of Things Journal，2020，8(12)：9594-9602.

［18］ 梁?露，劉遠(yuǎn)龍，劉韶華，等. 基于ECA-TCN的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2022，34(11)：52-57.

Liang Lu，Liu Yuanlong，Liu Shaohua，et al. Research on short-term load forecasting of power system Based on ECA-TCN[J]. Proceedings of the CSU-EPSA，2022，34(11)：52-57(in Chinese).

［19］ Hu J，Shen L，Sun G. Squeeze-and-excitation networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York，USA，2018：7132-7141.

［20］ Wang Q L，Wu B G，Zhu P F，et al. ECA-net：Efficient channel attention for deep convolutional neural networks[C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，USA，2020：11531-11539.

［21］ Woo S，Park J，Lee J Y，et al. CBAM：Convolutional block attention module[C]//Proceedings of the European Conference on Computer Vision(ECCV). Munich，Germany，2018：3-19.

［22］ 王國(guó)鋒，李志猛，董?毅. 刀具狀態(tài)智能監(jiān)測(cè)研究進(jìn)展[J]. 航空制造技術(shù)，2018，61(6)：16-23.

Wang Guofeng，Li Zhimeng，Dong Yi. Recent advances in intelligent monitoring of cutting tool condition [J]. Aeronautical Manufacturing Technology，2018，61(6)：16-23(in Chinese).

Tool Wear Prediction Method Based on Attention Mechanism

Dong Jingchuan，Wu Xiaoxin，Gao Yubo，Su Depeng

(School of Mechanical Engineering，Tianjin University，Tianjin 300072，China)

The wear state of a tool affects the surface quality and processing stability of the workpiece；hence，accurate monitoring of its wear amount has a positive role in ensuring processing reliability and maintaining the continuity of production and processing. To further improve the generalization performance and accuracy of the tool wear prediction model，a tool wear prediction method based on a multiscale convolutional bidirectional gated recurrent unit-attention(MSCBGRU-A) neural network is proposed here，which integrates the attention mechanism and is composed of feature expansion，multiscale convolution，bidirectional gated recurrent unit(GRU)，attention，and regression modules. First，cutting force，acoustic emission，and vibration signals are taken as input signals. Next，these signals generate the tool wear output characteristic maps of multiple scales through the multiscale convolution module. The characteristic maps output by multiple convolution channels are input to the connection layer to connect in two ways，head-to-tail and stacking，to obtain two kinds of output data. Then，the two kinds of output data are input to the bidirectional GRU and attention modules，respectively. In addition，the bidirectional GRU module learns the dynamic changes of the output characteristic graph to obtain the time series characteristics. Next，the attention module assigns weights to the output of the multiscale convolutional neural network to strengthen the characteristics that contribute more to the tool wear prediction results. Finally，the regression module predicts the wear value of the tool. Furthermore，the mixed domain attention mechanism，that is，the convolutional block attention mechanism (CBAM)，is introduced through comparative experiments to obtain the MSCBGRU-CBAM model. It is proved that the attention mechanism can adaptively focus on features more relevant to tool wear by drawing an attention weight map of CBAM. Compared with other deep learning models，the MSCBGRU-CBAM model has the highest prediction accuracy. Compared with MSCBGRU models without the attention mechanism，the root mean square error decreases by 19.3%，MAE decreases by 17.7%，and2increases by 2.7%.

tool wear prediction；multiscale convolutional neural network；attention mechanism；gated recurrent unit(GRU)

TP183

A

0493-2137(2024)04-0362-12

10.11784/tdxbz202209020

2022-09-14；

2022-11-08.

董靖川（1983—??），男，博士，高級(jí)工程師.

董靖川，jcdong@tju.edu.cn.

國(guó)家自然科學(xué)基金資助項(xiàng)目(51975402).

the National Natural Science Foundation of China(No. 51975402).

(責(zé)任編輯：王曉燕)