基于IWOA-IECA-BiLSTM模型的刀具磨损监测

Tool Wear Monitoring Based on IWOA-IECA-BiLSTM Model

摘要

为了提高加工过程中刀具磨损监测精度，提出一种基于改进的鲸鱼优化算法（IWOA）和改进的高效通道注意力机制（IECA）的双向长短期记忆网络（BiLSTM）模型。通过对PHM2010刀具磨损数据进行片段截取并提取多域特征，再结合皮尔逊系数筛选得到刀具磨损强相关特征。输入特征训练模型，模型中BiLSTM模块能有效捕捉数据中的时序特征；IECA注意力机制模块能提高特征表征能力；IWOA模块能优化模型超参数，进一步提高模型精度。最后基于三折交叉验证测试模型性能，并与其他多个模型进行对比，结果表明，IWOA-IECA-BiLSTM刀具磨损监测模型在多数测试集上具有最佳表现，在C₁、C₄、C₆三个测试集上均方根误差分别低至6.5、12.46、9.28。

Abstract

To improve the monitoring accuracy of tool wear during machining， a BiLSTM model based on IWOA and IECA mechanism was proposed. Tool wear data segments from the PHM2010 dataset were intercepted， and multi-domain features were extracted. Tool wear strongly correlated features were then obtained by screening with the Pearson correlation coefficient. The input features were used to train the model. The BiLSTM module in the model effectively captured temporal features within the data. The IECA attention mechanism module enhances the feature representational capability. The IWOA module optimized the model's hyperparameters， further improving the model accuracy. The model performance was finally tested based on three-fold cross-validation and compared with several other models. The results demonstrate that the IWOA-IECA-BiLSTM tool wear monitoring model achieves the best performance on most test sets. On test sets C₁，C₄ and C₆， the root mean square error （RMSE） values are as low as 6.5， 12.46， and 9.28， respectively.

Graphical abstract

关键词

刀具磨损 / 改进鲸鱼优化算法 / 改进高效通道注意力机制 / 双向长短期记忆网络

Key words

tool wear / improved whale optimization algorithm（IWOA） / improved efficient channel attention（IECA） mechanism / bi-directional long short-term memory（BiLSTM） network

Author summay

包振科，男，2000年生，硕士研究生。研究方向为铣削加工刀具磨损状态监测。E-mail：[e-mail]

曹华军^*（通信作者），男，1978年生，教授、博士研究生导师。研究方向为绿色制造战略及基础理论，数控机床绿色化、智能化，产品及制造系统碳排放核算与精益管控，智能基础零部件。E-mail： [e-mail]。

0 引言

刀具状态监测是机床状态监测的重要组成部分^［1］，刀具磨损程度与工件的加工表面质量、切削的稳定性紧密相关。刀具的磨损监测技术分为直接法和间接法。直接法通常采用直接观测刀具磨损区域的方式进行监测，需要频繁地停机，从而影响加工效率；间接法则主要通过深度学习模型从海量数据中自动学习关键模式，并建立数据与磨损状态之间的映射关系。曹大理等^［2］将信号数据视作一维图像，采用卷积神经网络（CNN）自适应提取信号数据中的特征。MA等^［3］面向铣削力信号，建立了基于卷积双向长短时记忆网络的刀具磨损监测模型，并取得了较高精度的监测结果。何彦等^［4］利用CNN与长短期记忆网络（LSTM）各自的优势混合搭建了CNN-LSTM模型，对数据进行时间与空间的多维度特征提取，这种混合方法可以减少噪声的影响，保留更多有效特征。BAZI等^［5］考虑刀具磨损时序信息复杂的特点，采用双向长短期记忆网络（BiLSTM）提取数据前后时序相关特征，并结合CNN进行空间特征提取，充分发挥CNN模型的空间特征提取能力和BiLSTM模型的时序特征提取能力。

近年来越来越多的研究者将优化算法引入超参数调优过程，以自动、高效地搜索最优超参数组合。吴飞等^［6］提出一种基于粒子群算法优化的长短期记忆模型的刀具磨损监测方法，与未优化模型作对比，结果表明优化后的模型平均绝对百分比误差降低了3.59%。肖斌等^［7］提出一种基于改进的沙猫算法和长短期记忆神经网络的刀具磨损量预测模型，其中针对沙猫搜索算法收敛精度低等问题，引入混沌映射、非线性收敛因子和对立点检测机制，而后利用改进后的沙猫算法优化模型，优化后的模型平均绝对误差减小了42.8%。

此外还值得注意的是，不同传感器信号提取的特征对刀具磨损的贡献程度是不同的^［8］。近年来提出的注意力机制可使模型能够自适应地调整通道特征的权重，使得网络能够更好地关注重要的特征，抑制不重要的特征。如梁露等 ^［9］采用 ECANet对时间卷积神经网络进行优化，突显重要特征信息。董靖川等^［10］通过搭建多尺度卷积神经网络（MSCNN）实现对数据的多维度特征提取，而后采用通道注意力与空间注意力融合的注意力机制（CBAM）对不同特征进行权重再分配。

在上述研究的基础上，本文提出一种基于改进鲸鱼优化算法-改进高效通道注意力机制-双向长短期记忆网络（improved whale optimization algorithms- improved efficient channel attention- bi-directional long short-term memory，IWOA-IECA-BiLSTM）的刀具磨损监测模型。通过对铣削过程中采集的多维传感器信号进行预处理，截取信号片段并提取多域特征，利用皮尔逊系数筛选刀具磨损强相关特征；输入特征训练模型，利用BiLSTM模块提取数据中的双向时序特征信息，采用IECA对不同特征进行权重再分配（残差结构对权重进行更精细的动态调整）；最后结合IWOA模块优化模型超参数，进一步提升模型性能。基于三折交叉验证并与多个模型进行对比，表明本文所提的IWOA-IECA-BiLSTM模型在精度上具有明显优势。

1 IWOA-IECA-BiLSTM模型

1.1 监测框架

本文提出的基于IWOA-IECA-BiLSTM的刀具磨损监测框架如图1所示。监测框架中包括信号采集、降噪处理、特征提取与筛选、搭建刀具磨损监测模型以及改进与优化模型结构。

1.2 改进的鲸鱼优化算法（IWOA）

鲸鱼优化算法^［11］在种群初始化阶段依赖均匀概率分布生成候选解，导致初始解集的空间分布均匀性不足，使算法陷入局部最优解陷阱，并因种群多样性过早丧失而出现收敛速度减缓、收敛精度受限等问题，针对上述缺陷，本文提出一种改进鲸鱼优化算法（IWOA），通过引入混沌映射等策略来改善原算法易局部最优等问题，具体改进措施如下：

1）采用Cubic混沌映射的方式初始化鲸鱼种群的位置，提高初始解集的全局覆盖性，以解决算法易陷入局部最优解的问题。Cubic混沌映射计算公式如下：

{\mathit{x}}_{i+\mathrm{1}}=u{\mathit{x}}_i(\mathrm{1}-{\mathit{x}}_i{\mathit{x}}_i)（1）

式中：u为系统参数，u取2.595；{\mathit{x}}_i为迭代序列向量。

2）在鲸鱼更新位置的各个阶段引入自适应权重w(t)，有效解决算法早熟的问题。本文使用一种呈指数改变的自适应权重，其前期值大，能够实现较强的全局搜索能力，保证搜索范围足够广。w(t)的计算公式如下：

w(t)={\mathrm{e}}^{-(\mathrm{10}t/t_{\mathrm{m}\mathrm{a}\mathrm{x}}{)}^{\mathrm{2}}}（2）

式中：t_{\mathrm{m}\mathrm{a}\mathrm{x}}为时间t的最大值。

引入自适应权重后位置更新计算公式为

\mathit{X}(t+\mathrm{1})=\left\{\begin{array}{l}{\mathit{X}}^{\mathrm{*}}(t)w(t)+{\mathit{D}}^{\text{'}}{\mathrm{e}}^{bl}\mathrm{c}\mathrm{o}\mathrm{s}(\mathrm{2}\mathrm{\pi }l)\\ {\mathit{X}}^{\mathrm{*}}(t)w(t)-\mathit{A}\left|\mathit{C}{\mathit{X}}^{\mathrm{*}}(t)-\mathit{X}(t)\right|\\ {\mathit{X}}_{\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}}(t)w(t)-\mathit{A}\left|\mathit{C}{\mathit{X}}_{\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}}(t)-\mathit{X}(t)\right|\end{array}\right.（3）

式中：{\mathit{X}}^{\mathrm{*}}为目前为止猎物的位置向量；{\mathit{X}}_{\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}}为随机选择的鲸鱼个体位置；\mathit{A}、\mathit{C}为系数向量；\mathit{X}为鲸鱼的位置向量；{\mathit{D}}^{\text{'}}为猎物和鲸鱼间的距离；b为定义对数螺线的形状的常数；l为随机数，l\in [-\mathrm{1,1}]。

3）在全局位置更新时对鲸鱼最优位置处的邻域随机搜索遍历，可以增强算法对其邻域空间的搜索能力。此时最优位置更新计算公式为

（4）

式中：\tilde{\mathit{X}}为采用最优邻域扰动后新的可能的最佳位置向量；r_{\mathrm{1}}、r_{\mathrm{2}}为［0，1］之间的随机值。

4）邻域扰动后得到多个新生成的邻域位置，此时需要用贪婪策略进行收缩排选，判断是否保留更新，此时位置更新公式可表示为

（5）

式中：{\tilde{\mathit{X}}}^{\mathrm{*}}为使用贪婪策略收缩排选后的最优位置；f为适应函数。

为了评估本文所提出的IWOA算法的能力，选用优化领域常用的10个测试函数进行性能测试，与鲸鱼优化算法（WOA）^［11］、灰狼优化算法（GWO）^［12］、粒子群优化算法（PSO）^［13］以及正余弦优化算法（SCA）^［14］进行实验对比。基准函数的详细信息列于表1，所有算法均采用相同的参数设置，种群规模为30，最大迭代次数为500。5种算法分别独立运行50次，通过最优适应度值的平均值（Mean）和标准差（Std）反映算法的收敛精度和稳定性，实验结果如表2所示，图2给出了5种优化算法在测试函数F₁、F₄、F₆上的收敛曲线。

分析表2可知：IWOA算法在测试函数F₁、F₂、F₃、F₄、F₅、F₆、F₈、F₁₀上均收敛到了理论最优值，而在测试函数F₇上，IWOA算法虽未收敛到理论最优值，但相比于其他算法，其搜索值最接近理论最优值，只有在测试函数F₉上，IWOA算法未获得最佳搜索效果。整体来看，IWOA算法的表现明显更好，相较于WOA算法，IWOA算法在所有测试函数上的搜索效果均更好。

由图2可知，在3个测试函数上IWOA算法的收敛速度均排第一，且在其余未给出的测试函数上各算法的收敛速度也大致相同，说明IWOA算法在多数测试函数上具有最快的收敛速度。综上所述，本文所提的IWOA算法在多数情况下具有最佳搜索精度与最快的收敛速度。

1.3 改进的高效通道注意力机制（IECA）

原始信号数据维度较高，需进行特征提取，且各特征与刀具磨损的相关性各异，因此设计了IECA模块使模型能够自适应地调整通道特征的权重，提高特征判别能力，降低过拟合风险。基于ECA模块作以下改进：由于数据单个样本时间窗口大小为1，故不需要采用全局平均池化进行特征压缩处理。同时，为了更好地表示特征，对残差连接部分采用权重分配的方式。具体来说，经过tanh激活的特征与原始特征不是采用直接叠加的方式，而是按照权重进行分配。IECA的结构如图3所示，IECA注意力机制可以表示为

K=\psi (c)=\left|\frac{\mathrm{l}\mathrm{n}c}{\gamma }+\frac{b}{\gamma }\right|（6）

out={\mathit{W}}_{\mathrm{1}}\times \mathit{X}+{\mathit{W}}_{\mathrm{2}}\times (\mathit{X}\odot (\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}(\mathit{Y}))（7）

式中：K为自适应卷积核大小；b=\mathrm{1}；\gamma =\mathrm{2}；c为通道数； W₁、 W₂为实现残差效果的参数； X 为输入数据； Y 为卷积操作后的输出；⊙表示元素级别的相乘；out为经过IECA处理后的输出数据。

1.4 双向长短期记忆网络（BiLSTM）

LSTM作为循环神经网络（RNN）的变体，通过引入存储单元和门控机制，使得算法能有效地捕捉和处理数据中的时序信息，同时避免RNN梯度消失和梯度爆炸的问题，标准LSTM结构如图4所示。

标准的LSTM计算式如下：

{\mathit{f}}_t=\sigma ({\mathit{W}}_{\mathrm{f}}\cdot [{\mathit{h}}_{t-\mathrm{1}},{\mathit{x}}_t]+{\mathit{b}}_{\mathrm{f}})（8）

{\mathit{i}}_t=\sigma ({\mathit{W}}_{\mathrm{i}}\cdot [{\mathit{h}}_{t-\mathrm{1}},{\mathit{x}}_t]+{\mathit{b}}_{\mathrm{i}})（9）

{\tilde{\mathit{C}}}_t=\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}({\mathit{W}}_{\mathrm{c}}[{\mathit{h}}_{t-\mathrm{1}},{\mathit{x}}_t]+{\mathit{b}}_{\mathrm{c}})（10）

{\mathit{C}}_t={\mathit{f}}_t\odot {\mathit{C}}_{t-\mathrm{1}}+{\mathit{i}}_t\odot {\tilde{\mathit{C}}}_t（11）

{\mathit{o}}_t=\sigma ({\mathit{W}}_{\mathrm{o}}\cdot [{\mathit{h}}_{t-\mathrm{1}},{\mathit{x}}_t]+{\mathit{b}}_{\mathrm{o}})（12）

{\mathit{h}}_t={\mathit{o}}_t\odot \mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}({\mathit{C}}_t)（13）

式中：\sigma为Sigmoid激活函数；tanh（·）为双曲正切激活函数； f_t 为遗忘门，用于控制丢弃信息； i_t 为输入门用于决定存储信息； o_t 为输出门用于决定下一个隐藏层状态；{\tilde{\mathit{C}}}_t为LSTM的候选细胞状态；{\mathit{C}}_t为LSTM在时间步t的细胞状态；{\mathit{W}}_{\mathrm{f}}、{\mathit{W}}_{\mathrm{i}}、{\mathit{W}}_{\mathrm{c}}、{\mathit{W}}_{\mathrm{o}}为各门对应的权重矩阵；{\mathit{x}}_t为时间步t的输入向量；{\mathit{b}}_{\mathrm{f}}、{\mathit{b}}_{\mathrm{i}}、{\mathit{b}}_{\mathrm{c}}、{\mathit{b}}_{\mathrm{o}}为各门的偏置向量；{\mathit{h}}_t为时间步t的隐藏状态；\odot表示逐元素相乘；\left[\mathit{a},\mathit{b}\right]为向量\mathit{a}和\mathit{b}的拼接操作。

BiLSTM是LSTM架构在时序建模方向上的重要改进，其核心创新在于通过并行化的双向信息流设计突破传统单向LSTM仅能捕捉历史上下文信息的局限性。如图5所示的典型结构，BiLSTM由两个独立且对称的LSTM单元构成。

对于前向LSTM层，从t=1到t=T，每个时间步t有

{\mathit{h}}_t^{\text{'}}=LSTM({\mathit{x}}_t,{\mathit{h}}_{t-\mathrm{1}})（14）

对于后向LSTM层，从t=T到t=1每个时间步t有

{\mathit{h}}_t^{″}=LSTM({\mathit{x}}_t,{\mathit{h}}_{t+\mathrm{1}})（15）

对于序列中的每一个时间步t，双向组合输出{\mathit{h}}_t为

{\mathit{h}}_t=[{\mathit{h}}_t^{\text{'}};{\mathit{h}}_t^{″}]（16）

式中：{\mathit{h}}_t^{\text{'}}为前向LSTM时间步t的隐藏层状态；{\mathit{h}}_t^{″}为后向LSTM时间步t的隐藏层状态；{\mathit{h}}_t为BiLSTM时间步t的最终输出向量；\left[\mathit{a};\mathit{b}\right]为向量\mathit{a}和\mathit{b}的纵向拼接。

2 实验验证

2.1 数据集说明

本文采用美国监测与健康管理学会提供的铣削数据集（PHM2010）进行实验，该数据集中的铣削实验设备参数如表3所示。

实验采用顺铣，单次铣削长度为108 mm。在铣削实验过程中，通过传感器采集加工过程中的力信号、振动信号等数据。当每次铣削结束后，使用显微镜测量并记录实验所用刀具3个刀刃后刀面的磨损量。最终获得3把球头铣刀的全生命周期数据集，共6组，分别记为C₁～C₆，其中三组（C₁，C₄，C₆）带标签，每组共3列，记录了每把刀具每次走刀结束三个刀刃的磨损值。另外三组分别记录每把刀具315次走刀数据，单次走刀数据包含7列信号，包含x、y、z三个方向的铣削力和振动信号以及声发射信号。

2.2 数据预处理

本文选用三维力信号与三维振动信号构建多源信号数据，但原始信号庞大且杂乱，为得到与刀具磨损强相关的隐含特征，对原始信号特征进行提取及筛选，具体如下：截取单次走刀样本中5000~160 000的采样点作为原始信号，每维信号提取时域特征12个、频域特征12个以及时频域特征8个，共计192个特征。具体特征指标如表4所示。

由于不同传感器信号提取的特征量纲以及物理意义的不同，为避免模型关注数值大的特征而忽略小数值特征，对特征采用Min-Max法进行归一化，计算公式如下：

x=\frac{x_i-x_{\mathrm{m}\mathrm{i}\mathrm{n}}}{x_{\mathrm{m}\mathrm{a}\mathrm{x}}-x_{\mathrm{m}\mathrm{i}\mathrm{n}}}（17）

式中：x_i 为按序列排列的每一个值；x_max为序列中的最大值；x_min为序列中的最小值；x为归一化后的数值。

提取的特征中部分特征趋势与刀具磨损过程基本一致，部分与刀具磨损过程趋势相反。此外，还有部分特征趋势与刀具磨损没有明显的关联性。与刀具磨损状态无关或相关程度不高的特征不仅会增加模型训练过程中的计算量，还会影响决策准确性和监测精度，因此本文通过计算皮尔逊系数来筛选保留强相关特征。皮尔逊系数计算式如下：

r=\frac{\sum (x_i-\overline{x})(y_i-\overline{y})}{\sqrt[]{\sum (x_i{-\overline{x})}^{\mathrm{2}}}\sqrt[]{\sum (y_i{-\overline{y})}^{\mathrm{2}}}}（18）

式中：\overline{x}为均值；y_i为第i次测量的刀具磨损值；\overline{y}为磨损均值。

振动信号x方向上的部分特征的皮尔逊系数绝对值如图6所示。分析所有特征的相关系数绝对值后，为尽可能保留强相关特征，同时避免信息冗余，最终决定选择皮尔逊相关系数绝对值大于0.91的特征，共计12个，将它们构造成多域联合矩阵。

2.3 实验设置

基于PyTorch深度学习框架和Python3.9.6搭建了本文所提IWOA-IECA-BiLSTM模型（模型A），同时搭建了IWOA-BiLSTM模型（模型B）、WOA-IECA-BiLSTM模型（模型C）以及CNN-LSTM模型（模型D）用于对比实验。实验采用三折交叉测试的方式，即每次实验选择其中两个数据集作为训练集和验证集，剩余的一个为测试集，如表5所示。

IWOA初始种群数设为30，最大迭代次数设为100，参数上限设为［256，0.9，0.001］，参数下限设为［64，0.1，0.000 0001］，每组实验分别进行5次参数寻优，取平均值作为寻优结果，各个参数的优化结果如表6所示。

WOA算法设置与IWOA相同的搜索空间，CNN-LSTM模型采用优化前的参数，各模型其他部分参数及训练方式均相同。

2.4 实验结果分析

本文所提模型的监测结果如图7所示，各模型监测结果对比如图8所示，各模型监测结果评价指标（均方根误差（RMSE）、平均绝对误差（MAE）、相关系数（R²））列于表7中。为了进一步验证本文所提模型的优越性，与文献［15］中SSEA-BP、文献［16］中CAHSMM、文献［17］中OSVR、文献［18］中RNN、Deep LSTMs、文献［19］中1D CNN模型进行对比，各模型评价指标列于表8中。

分析图7可知：本文所提模型在所有测试集上均有不错的监测效果。C₁整体上误差分布均匀，监测精度最高。C₄在走刀次数小于100和走刀次数大于250时，有较大的误差，导致在3个验证集中监测精度相对最低。C₆则在走刀次数为50~100和200~250时误差稍大，精度略小于C₁。由表7和图8分析可知：与IWOA-BiLSTM、WOA-IECA-BiLSTM以及CNN-LSTM三个模型整体对比，本文所提模型在所有测试集下具有最佳表现，验证了其可靠性和准确性。进一步对比IWOA-IECA-BiLSTM与IWOA-BiLSTM可知，引入IECA模块能有效提高模型精度，在三个测试集上的RMSE分别减小了1.81、0.88、1.96。

分析表8可知，IWOA-IECA-BiLSTM模型在C₁，C₄、C₆三个测试集上的RMSE分别低至6.5、12.46、9.28，平均RMSE低至9.41。相较于SSEA-BP模型、CAHSMM模型、RNN模型以及1D-CNN模型，本文所提模型在C₁、C₄及C₆三个测试集上均具有较佳监测效果。与SSEA-BP模型相比，本文所提模型RMSE平均减小了3.33；与CAHSMM模型相比，本文所提模型RMSE平均减小了8.21；与RNN模型相比，本文所提模型RMSE平均减小了13.32；与1D-CNN模型相比，本文所提模型RMSE平均减小了5.96。相较于OVSR模型与Deep LSTMs模型，本文所提模型在多数测试集上仍然具有最佳监测效果。与OVSR模型相比，本文所提模型RMSE值平均减小了0.32；与Deep LSTMs模型相比，本文所提模型RMSE值平均减小了4.32。综上所述：相较于其他多种模型，IWOA-IECA-BiLSTM模型在测试集上的监测效果普遍更好，验证了其有效性和一定的优越性。

原因分析如下：IWOA-IECA-BiLSTM与SSEA-BP、CAHSMM、OVSR模型相比，IWOA-IECA-BiLSTM模型普遍拥有更高的精度，说明相较于传统的机械学习算法，深度学习算法在数据处理、非线性计算方面普遍拥有更好的效果，它展现出来的精度优势本质上反映了深度学习范式在复杂数据处理中的突破性进步。对比IWOA-IECA-BiLSTM、RNN、1D-CNN、Deep LSTMs模型，RNN、1D-CNN、Deep LSTMs模型通过自动提取并学习时间或空间特征来映射刀具磨损量，具有一定的监测效果，但本文所提模型通过IWOA算法优化超参数，同时引入IECA机制提高特征利用率，再结合BiLSTM结构提取并处理时序特征，获得了更好的刀具磨损监测效果，说明这些方式有效提高了基于深度学习模型的刀具磨损监测精度。

3 结论

1）本文提出的基于改进的鲸鱼优化算法和结合改进的高效通道注意力机制的双向长短期记忆网络模型能有效建立输入特征与刀具磨损量之间的复杂映射关系。在RMSE、MAE、R²指标上普遍优于其他模型，有效提高了刀具磨损监测精度。

2）本文提出的IWOA算法相较于WOA算法具有更高的搜索精度和收敛速度。

3）设计了IECA机制用于自适应地调整通道特征的权重，提高了模型对特征的判别能力，同时降低了过拟合的风险。

参考文献

[1] ELSHEIKH A， et al. Bidirectional Handshaking LSTM for Remaining Useful Life Prediction［J］. Neurocomputing， 2019， 323： 148-156.

[2] 曹大理， 孙惠斌， 张纪铎， 等. 基于卷积神经网络的刀具磨损在线监测［J］. 计算机集成制造系统， 2020， 26 （1）： 74-80.

[3] 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.

[4] MA J， LUO D， LIAO X， et al. Tool Wear Mechanism and Prediction in Milling TC18 Titanium Alloy Using Deep Learning［J］. Measurement， 2021， 173： 108554-108554.

[5] 何彦， 凌俊杰， 王禹林， 等. 基于长短时记忆卷积神经网络的刀具磨损在线监测模型［J］. 中国机械工程， 2020， 31（16）： 1959 - 1967.

[6] HE Yan， LING Junjie， WANG Yulin， et al. Online Tool Wear Monitoring Model Based on Long-duration Memory Convolutional Neural Network［J］. China Mechanical Engineering， 2019， 31（16）： 1959-1967.

[7] 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（5/6）： 3803-3817.

[8] 吴飞， 农皓业， 马晨浩. 基于粒子群优化算法-长短时记忆模型的刀具磨损预测方法［J］. 吉林大学学报（工学版 ）， 2023， 53（4）： 989-997.

[9] WU Fei， NONG Haoye， MA Chenhao. Tool Wear Prediction Method Based on Particle Swarm Optimization Algorithm and Short Time Memory Model［J］. Journal of Jilin University（Engineering and Techonlogy Edition）， 2023 53（4）： 989-997.

[10] 肖斌， 李炎炎， 段增峰， 等. 基于ISCSO-LSTM模型的刀具磨损预测［J］. 组合机床与自动化加工技术， 2023（6）： 102-105.

[11] XIAO Bin， LI Yanyan， DUAN Zengfeng， et al. Based on Tool Wear Prediction ISCSO - LSTM Model［J］. Journal of Combination Machine Tools and Automatic Processing Technology， 2023（6）： 102-105.

[12] SONG Yan， GAO Shengyao， LI Yibin， et al. Distributed Attention Based Temporal Convolutional Network for Remaining Useful Life Prediction［J］. IEEE Internet of Things Journal， 2021， 8（12）： 9594-9602.

[13] 梁露， 刘远龙， 刘韶华， 等. 基于ECA-TCN 的电力系统短期负荷预测研究［J］. 电力系统及其自动化学报， 2022， 34（11）： 52-57.

[14] LIANG Lu， LIU Yuanlong， LIU Shaohua， et al. Research on Short-term Load Forecasting of Power System Based on ECA-TCN［J］. Journal of Electric Power System and Its Automatic Chemistry， 2022， 34（11）： 52-57.

[15] 董靖川， 武晓鑫， 高宇博， 等. 融合注意力机制的刀具磨损预测方法［J］. 天津大学学报， 2024， 57（4）： 362-373.

[16] DONG Jingchuan， WU Xiaoxin， GAO Yubo， et al. Tool Wear Prediction Method with Attention Mechanism［J］. Journal of Tianjin University， 2024， 57（4）： 362-373.

[17] MIRJALILI S， LEWIS A. The Whale Optimization Algorithm［J］. Advances in Engineering Software， 2016， 95： 51-67.

[18] MIRJALILI S， MIRJALILI S M， LEWIS A， et al. Grey Wolf Optimizer［J］. Advances in Engineering Software， 2014， 69： 46-61.

[19] VENTER G， SOBIESZCZANSKI-SOBIESKI J. Particle Swarm Optimization［J］. AIAA Journal， 2003， 41（8）： 1583-1589.

[20] MIRJALILI S. SCA： A Sine Cosine Algorithm for Solving Optimization Problems［J］. Knowledge-based Systems， 2016， 96： 120-133.

[21] QIN Yiyuan， LIU Xianli， YUE Caixu， et al. Tool Wear Identification and Prediction Method Based on Stack Sparse Self-coding Network［J］. Journal of Manufacturing Systems， 2023， 68： 72-84.

[22] YAN Shichao， SUI Liang， WANG Siqi， et al. On-line Tool Wear Monitoring under Variable Milling Conditions Based on a Condition-adaptive Hidden Semi-Markov Model （CAHSMM）［J］. Mechanical Systems and Signal Processing， 2023， 200： 110644.

[23] GOUGAM F， AFIA A， AITCHIKH M， et al. Computer Numerical Control Machine Tool Wear Monitoring through a Data-driven Approach［J］. Advances in Mechanical Engineering， 2024， 16（2）： 1-15.

[24] ZHAO Rui， WANG Jinjiang， YAN Ruqiang， et al. Machine Health Monitoring with LSTM Networks［C］∥10th International Conference on Sensing Technology（ICST）. Nanjing， 2016：7796266.

[25] CHENG Yaonan， LU Mengda， GAI Xiaoyu， et al. Research on Multi-signal Milling Tool Wear Prediction Method Based on GAF-ResNext［J］. Robotics and Computer-Integrated Manufacturing， 2024， 85：102634.

基金资助

国家重点研发计划(2022YFB3206700)