基于时间卷积网络的刀具磨损在线监测

在刀具磨损监测领域中，传统卷积神经网络难以选择合适的卷积核大小，循环神经网络容易发生梯度消失和梯度爆炸，为克服以上缺点，引入时间卷积网络构建在线监测模型对刀具磨损量进行监测。考虑到原始数据量过大且每次走刀过程所采集数据量不同，对数据进行降采样处理，获得了大小为(7,5000)的网络输入数据。通过一维卷积神经网络和时间卷积块的依次叠加，对数据进行特征提取，使用全连接网络将特征映射到刀具磨损值。最后，使用PHM大赛中铣刀磨损的数据验证了模型的效果。实验结果证明，基于时间卷积网络的刀具磨损在线监测模型具有较强的泛化能力，在验证集上均方误差和平均绝对误差分别仅为65.16与6.21,相较于隐马尔科夫、梯度提升树等模型具有较大的提升。