楊 莉

(四川工程職業(yè)技術(shù)學(xué)院 機(jī)電工程系，四川 德陽(yáng) 618000)

1 引 言

GH4169是一種含Nb的鎳基高溫合金,具有優(yōu)異的高溫強(qiáng)度和抗蠕變性,而且消除了晶界,降低了裂紋產(chǎn)生概率,具有良好的抗疲勞性能,已經(jīng)廣泛用于航空發(fā)動(dòng)機(jī)領(lǐng)域[1,2]。然而,鎳基高溫合金材料難以加工,這主要是因?yàn)樵谇邢鬟^(guò)程中[3,4]:1) 鎳基高溫合金的高溫強(qiáng)度和高溫穩(wěn)定性使得切削過(guò)程中的切削抗力大大增加;2) 鎳基高溫合金的導(dǎo)熱性較差,切削產(chǎn)生的大量切削熱不容易散出;3) 鎳基高溫合金的切削溫度高、切削力大,刀具磨損比較嚴(yán)重,導(dǎo)致刀具的使用壽命明顯降低;4) 鎳基高溫合金中的強(qiáng)化相在高溫切削環(huán)境下容易分解并分布在組織的表面,引起表面的加工硬化;5) 刀具磨損較快,使工件表面積屑瘤、碎屑沉積增加,最終降低工件的加工準(zhǔn)確度。因此,在鎳基高溫合金材料的銑削加工過(guò)程中,加強(qiáng)對(duì)刀具磨損的預(yù)測(cè),可以有效提高航空發(fā)動(dòng)機(jī)部件的加工準(zhǔn)確度[5],以滿足下一道工序的質(zhì)量要求,進(jìn)而提高航空發(fā)動(dòng)機(jī)的性能和壽命[6]。

近年來(lái),針對(duì)加工過(guò)程中因刀具磨損導(dǎo)致加工準(zhǔn)確度不足的問(wèn)題,在高溫合金刀具磨損預(yù)測(cè)方面有較多的研究。在使用單一深度學(xué)習(xí)模型對(duì)刀具磨損預(yù)測(cè)方面,吳雪峰等[7]使用激光加熱輔助鎳基合金Inconel 718銑削,通過(guò)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)對(duì)刀具磨損預(yù)測(cè),得到了較理想的刀具壽命預(yù)測(cè)模型;安華等[8]使用反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)鈦合金Ti-6Al-4V銑削過(guò)程相關(guān)特征與刀具磨損值進(jìn)行訓(xùn)練,可以較好地實(shí)現(xiàn)刀具磨損的預(yù)測(cè);王強(qiáng)等[9]以改進(jìn)的長(zhǎng)短時(shí)記憶深度學(xué)習(xí)網(wǎng)絡(luò)模型為基礎(chǔ),進(jìn)行鈦合金TA15銑削變工況條件下刀具磨損的預(yù)測(cè),提高了模型的預(yù)測(cè)精度、運(yùn)算效率和魯棒性;吳鳳和等[10]提出一種基于卷積門控循環(huán)神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)在線監(jiān)測(cè)方法,提高了磨損狀態(tài)分類的準(zhǔn)確率。相比于使用單一模型,部分研究通過(guò)2種模型融合,進(jìn)行刀具磨損研究,黃志平等[11]建立了基于軌跡相似性預(yù)測(cè)模型和差分進(jìn)化支持向量回歸算法的綜合預(yù)測(cè)模型進(jìn)行鈦合金Ti-6Al-4V銑削過(guò)程刀具磨損預(yù)測(cè),與單一模型相比,提高了預(yù)測(cè)精度;Kong等[12]基于切削力信號(hào)提出一種集成支持向量機(jī)和鯨魚優(yōu)化算法的WOA-SVM模型,最終實(shí)現(xiàn)快速高效識(shí)別鈦合金Ti-6Al-4V加工中的銑刀刀具磨損狀態(tài)。一些學(xué)者在此基礎(chǔ)上增加了刀具磨損階段識(shí)別的研究,TAO等[13]組合長(zhǎng)短期記憶網(wǎng)絡(luò)和隱馬爾可夫模型2種方法,實(shí)現(xiàn)鈦合金Ti-6Al-4V銑削過(guò)程刀具磨損階段劃分和剩余刀具壽命預(yù)測(cè);WANG等[14]基于切削參數(shù)和功率利用遞歸神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)鎳基合金Inconel718銑削實(shí)驗(yàn)的刀具磨損識(shí)別,利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測(cè)刀具剩余壽命。然而,基于多傳感器特征融合和深度學(xué)習(xí)方法的結(jié)合的方法對(duì)鎳基合銑削過(guò)程中刀具磨損的預(yù)測(cè)研究相對(duì)較少。

由于鎳基高溫合金材料的特性導(dǎo)致其銑削加工過(guò)程中刀具存在磨損,以致于嚴(yán)重影響熱端部件的加工準(zhǔn)確度,并最終體現(xiàn)在航空發(fā)動(dòng)機(jī)的性能和壽命指標(biāo)方面。因此,提出了一種基于堆疊稀疏自動(dòng)編碼器(stacked sparse autoencoders,SSAE)模型和多傳感器特征融合的新型深度學(xué)習(xí)方法,可以更有效地預(yù)測(cè)刀具磨損。多傳感器信號(hào)通過(guò)監(jiān)測(cè)切削力、振動(dòng)和聲發(fā)射信號(hào)在時(shí)域、頻域和時(shí)頻域進(jìn)行特征提取[15]。通過(guò)相關(guān)分析選擇和優(yōu)化多傳感器的敏感特征,將歸一化的敏感特征輸入到SSAE模型中進(jìn)行深度融合特征學(xué)習(xí)[16]。訓(xùn)練BLSTM模型作為特征深度學(xué)習(xí)和刀具磨損之間的回歸函數(shù)模型。微調(diào)改進(jìn)的損失函數(shù)和模型參數(shù)以提高深度學(xué)習(xí)模型的泛化性能和數(shù)據(jù)挖掘能力,以保證高溫合金材料的銑削加工準(zhǔn)確度。

2 方 法

2.1 堆疊稀疏自動(dòng)編碼器

標(biāo)準(zhǔn)的自動(dòng)編碼器(auto-encoders,AE)模型是由輸入層、隱藏層和輸出層組成的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),特征學(xué)習(xí)過(guò)程是編碼器將輸入層數(shù)據(jù)映射到隱藏層,解碼器將隱藏層特征解碼到輸出層。標(biāo)準(zhǔn)自動(dòng)編碼器模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,輸入和輸出層的神經(jīng)元數(shù)量相同。自動(dòng)編碼器模型的訓(xùn)練過(guò)程是利用輸入信息的重構(gòu)誤差作為損失函數(shù),更新權(quán)重參數(shù),實(shí)現(xiàn)對(duì)輸入信息特征表示的學(xué)習(xí)。稀疏自動(dòng)編碼器模型在隱藏層中加入了稀疏性限制,使其能夠在惡劣環(huán)境下學(xué)習(xí)到最佳樣本特征表達(dá),有效降低輸入信息的維數(shù)。為了實(shí)現(xiàn)這個(gè)限制,需要在自動(dòng)編碼器模型訓(xùn)練損失函數(shù)中添加1個(gè)稀疏限制作為額外的懲罰因子。目前,KL(Kullback-Leibler)散度是使用最廣泛的稀疏懲罰因子。同時(shí),為了避免過(guò)擬合,進(jìn)一步約束稀疏自動(dòng)編碼器模型的連接權(quán)重參數(shù),損失函數(shù)會(huì)增加1個(gè)額外的權(quán)重正則化項(xiàng)來(lái)懲罰較大的權(quán)重,以增強(qiáng)泛化能力。常用的權(quán)重正則化項(xiàng)是權(quán)重參數(shù)的平方和乘以權(quán)重懲罰因子。因此,稀疏自動(dòng)編碼器模型的最終訓(xùn)練損失函數(shù)包括重構(gòu)誤差函數(shù)、系數(shù)懲罰項(xiàng)和權(quán)重衰減項(xiàng)。

圖1 標(biāo)準(zhǔn)自動(dòng)編碼器模型網(wǎng)絡(luò)結(jié)構(gòu)

重構(gòu)誤差:

(1)

KL散度DKL:

(2)

權(quán)重正則化項(xiàng):

(3)

損失函數(shù):

(4)

圖2 SSAE模型的構(gòu)建過(guò)程

2.2 基于多傳感器的SSAE-BLSTM刀具磨損預(yù)測(cè)

刀具狀態(tài)的間接監(jiān)測(cè)方法是在切削過(guò)程中監(jiān)測(cè)各類物理傳感器信號(hào),從而獲得反映刀具狀態(tài)的特征信息,間接實(shí)現(xiàn)刀具狀態(tài)的有效監(jiān)測(cè)。提出了一種以多傳感器融合特征作為輸入數(shù)據(jù)的新型SSAE-BLSTM模型來(lái)預(yù)測(cè)刀具磨損。

堆棧稀疏自編碼器網(wǎng)絡(luò)(SSAE)只具有特征學(xué)習(xí)和數(shù)據(jù)降維的能力,但是不具有刀具磨損預(yù)測(cè)的功能,因此需要在稀疏深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的最后一層加入一層具有預(yù)測(cè)能力的網(wǎng)絡(luò)結(jié)構(gòu),使之構(gòu)成具有預(yù)測(cè)功能的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。由于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(long-short term memory,LSTM)結(jié)構(gòu)充分利用了時(shí)序信息,同時(shí)通過(guò)雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(bidirectional long-short term memory,BLSTM)反向時(shí)序信息也被提取出來(lái),如果結(jié)合在一起,特征能更充分的利用,所以引入基于深度學(xué)習(xí)的BLSTM網(wǎng)絡(luò)模型,在特征優(yōu)化的基礎(chǔ)上,應(yīng)用BLSTM網(wǎng)絡(luò)模型,得到良好的預(yù)測(cè)效果。

基于時(shí)域、頻域和時(shí)頻域多傳感器信號(hào)的特征提取,采用與相應(yīng)刀具磨損的相關(guān)性分析,選擇多傳感器敏感特征,作為SSAE模型的輸入信號(hào)輸出深度融合特征。BLSTM模型用作回歸函數(shù),從學(xué)習(xí)的深度特征擬合刀具磨損的預(yù)測(cè)模型,提出的預(yù)測(cè)模型網(wǎng)絡(luò)框架如圖3所示,該方法的模型參數(shù)訓(xùn)練包括SSAE模型的無(wú)監(jiān)督預(yù)訓(xùn)練、BLSTM模型的有監(jiān)督預(yù)訓(xùn)練以及基于監(jiān)督訓(xùn)練的全局模型參數(shù)微調(diào)過(guò)程。SSAE模型通過(guò)稀疏的自動(dòng)編碼器模型預(yù)訓(xùn)練過(guò)程一一初始化每個(gè)隱藏層的連接權(quán)值參數(shù),使最高隱藏層輸出預(yù)訓(xùn)練的深度特征表達(dá)。BLSTM模型以刀具磨損測(cè)量值作為深度特征的預(yù)測(cè)標(biāo)簽進(jìn)行監(jiān)督模型參數(shù)訓(xùn)練,并初始化連接權(quán)重參數(shù)。在微調(diào)過(guò)程中,將SSAE和BLSTM模型視為全連接預(yù)測(cè)網(wǎng)絡(luò)模型,在全局參數(shù)微調(diào)過(guò)程中采用基于誤差反向傳播的參數(shù)優(yōu)化,以提升預(yù)測(cè)性能和泛化能力。

圖3 基于多傳感器的SSAE-BLSTM網(wǎng)絡(luò)框架的結(jié)構(gòu)

3 鎳基高溫合金銑削實(shí)驗(yàn)

為了研究鎳基高溫合金材料銑削時(shí)刀具磨損量的影響影響因素和變化規(guī)律,利用DECKEL-MAHO DMC 70 V加工中心進(jìn)行切削實(shí)驗(yàn),切削參數(shù)設(shè)置為切削速度300 m/min、每齒進(jìn)給量0.03 mm、軸向進(jìn)刀深度8 mm、徑向進(jìn)刀深度0.2 mm。待切削材料選取鎳基高溫合金GH4169,刀具選擇PVD-TiAlN涂層硬質(zhì)合金刀具KCSM40,型號(hào)為EDPT10T308PDSRGE(刀片旋轉(zhuǎn)半徑16 mm,刀柄直徑16 mm,刀具總長(zhǎng)度74 mm,刀片長(zhǎng)度25 mm)。圖4為實(shí)驗(yàn)方案。

圖4 實(shí)驗(yàn)測(cè)試方案

實(shí)驗(yàn)過(guò)程中,采集振動(dòng)加速度和切削力,并使用顯微鏡檢查刀具磨損。實(shí)驗(yàn)選用壓電式力傳感器Kistler 9129AA(x、y、z軸測(cè)量范圍為0～1 000 N,固有頻率30 kHz)和3D壓電式加速度計(jì)Kistler8763B050(加速度量程為±250g;頻率響應(yīng)范圍0.1～10 kHz;靈敏度1.0 pC/ms2)與聲發(fā)射傳感器Kistler8152C0(諧振頻率為200(1±20%)kHz,頻率響應(yīng)為50～400 kHz)。使用相同型號(hào)銑刀重復(fù)3次實(shí)驗(yàn),得到3個(gè)實(shí)驗(yàn)數(shù)據(jù)集,分別為數(shù)據(jù)集1、數(shù)據(jù)集2和數(shù)據(jù)集3。

4 實(shí)驗(yàn)結(jié)果與分析

數(shù)據(jù)集包括7列傳感器信號(hào),分別為x,y,z方向切削力信號(hào)、x,y,z方向振動(dòng)加速度信號(hào)、聲信號(hào)?？紤]到數(shù)據(jù)集1的x方向切削力信號(hào)的零漂移,對(duì)數(shù)據(jù)集1、數(shù)據(jù)集2和數(shù)據(jù)集3的其他6列傳感器信號(hào)進(jìn)行了特征提取。相關(guān)性分析是衡量?jī)蓚€(gè)變量因素之間相關(guān)性密切程度的一種分析方法。通過(guò)提取的特征與測(cè)量的銑刀三刃磨損值的平均值之間的相關(guān)性分析,獲得與刀具磨損變化具有強(qiáng)相關(guān)性的敏感特征作為所提出模型的輸入數(shù)據(jù)。以每個(gè)原始信號(hào)的樣本數(shù)據(jù)點(diǎn)作為樣本數(shù)據(jù),提取了11個(gè)時(shí)域特征、5個(gè)頻域特征,通過(guò)3層小波包分解提取了8個(gè)小波包能量特征。提取的24個(gè)特征及其計(jì)算表達(dá)式如表1所示。(其中T(i)為時(shí)域信號(hào),F(i)為時(shí)域信號(hào)經(jīng)過(guò)傅里葉變換后的歸一化幅度絕對(duì)值,Fs為采樣頻率),從6個(gè)不同的傳感器信號(hào)中總共獲得了144個(gè)信號(hào)特征。選擇相關(guān)系數(shù)絕對(duì)值大于0.8的48個(gè)特征作為多傳感器敏感特征的組合,輸入到SSAE-BLSTM模型中進(jìn)行深度特征學(xué)習(xí),建立刀具磨損預(yù)測(cè)模型。為了比較和驗(yàn)證所提模型的預(yù)測(cè)效果,將多傳感器敏感特征和單傳感器敏感特征分別作為支持向量回歸(support vector regression,SVR)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial basis function neural network,RBFNN)和BLSTM等淺層機(jī)器學(xué)習(xí)模型的輸入特征來(lái)預(yù)測(cè)刀具磨損。同時(shí),在數(shù)據(jù)集1、數(shù)據(jù)集2和數(shù)據(jù)集3中選擇任意2個(gè)數(shù)據(jù)集作為訓(xùn)練集,剩下的1個(gè)作為測(cè)試集,將銑刀的平均磨損值作為傳感器信號(hào)的預(yù)測(cè)標(biāo)簽。

表1 多傳感器信號(hào)提取特征和表達(dá)式

4.1 多傳感器SSAE-BLSTM模型刀具磨損預(yù)測(cè)

將每個(gè)樣本數(shù)據(jù)的48個(gè)敏感特征歸一化為SSAE模型的輸入信號(hào),用于深度特征學(xué)習(xí)。SSAE的隱藏層節(jié)點(diǎn)數(shù)選擇為約2的降維率,用于原始高維特征的降維和深度特征提取。通過(guò)經(jīng)驗(yàn)參數(shù)配置提出的SSAE模型的神經(jīng)元節(jié)點(diǎn)為48-40-15-9,激活函數(shù)為Sigmoid;BLSTM模型的神經(jīng)元節(jié)點(diǎn)為9-15-1,激活函數(shù)為Sigmoid。訓(xùn)練數(shù)據(jù)集用于權(quán)重參數(shù)的無(wú)監(jiān)督預(yù)訓(xùn)練、BLSTM模型的有監(jiān)督預(yù)訓(xùn)練過(guò)程和全局微調(diào)過(guò)程深度學(xué)習(xí)模型。

4.2 SVR、RBFNN和BLSTM模型刀具磨損預(yù)測(cè)

與使用深度學(xué)習(xí)方法從多傳感器融合特征進(jìn)行深度特征學(xué)習(xí)來(lái)預(yù)測(cè)刀具磨損相比,基于淺層機(jī)器學(xué)習(xí)模型的刀具磨損預(yù)測(cè)方法直接使用信號(hào)特征作為建立預(yù)測(cè)模型的輸入。通過(guò)主成分分析對(duì)原始的多傳感器敏感特征進(jìn)行降維處理。構(gòu)建了SVR、RBFNN和BLSTM模型,以選擇的主成分作為輸入來(lái)預(yù)測(cè)刀具磨損。同時(shí),僅利用單傳感器信號(hào)的敏感特征建立刀具磨損預(yù)測(cè)模型,檢驗(yàn)多傳感器融合特征的預(yù)測(cè)效果。

4.2.1 多傳感器特征

通過(guò)對(duì)48個(gè)敏感特征組成的樣本數(shù)據(jù)進(jìn)行主成分分析,選擇前8個(gè)主成分作為敏感特征,其百分比為98.6%,即輸入到SVR、RBFNN、BLSTM和SSAE-BLSTM模型中以預(yù)測(cè)刀具磨損。前3種機(jī)器學(xué)習(xí)模型的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表2所示,其中,C為誤差項(xiàng)的懲罰參數(shù),gamma為激活函數(shù)系數(shù),epsilon指定了在訓(xùn)練損失函數(shù)中預(yù)測(cè)值與實(shí)際值之間距離為epsilon的點(diǎn),num_neurons為神經(jīng)元數(shù)量。不同測(cè)試數(shù)據(jù)集下基于多傳感器融合特征和SVR、RBFNN、BLSTM和SSAE-BLSTM模型的刀具磨損預(yù)測(cè)結(jié)果如圖5所示。

表2 具有多傳感器特征的SVR、RBFNN和BLSTM模型的網(wǎng)絡(luò)參數(shù)

圖5 基于具有多傳感器特征的SVR、RBFNN、BLSTM、SSAE-BLSTM模型的刀具磨損預(yù)測(cè)結(jié)果

4.2.2 單傳感器特征

48個(gè)多傳感器敏感特征包括從z向切削力信號(hào)中提取的15個(gè)敏感特征,這些敏感特征僅用于刀具磨損預(yù)測(cè)。通過(guò)主成分分析進(jìn)行降維。計(jì)算了每個(gè)主成分的百分比,前8個(gè)具有98.2%百分比的主成分也被選為敏感特征,輸入到SVR、RBFNN和BLSTM模型中進(jìn)行刀具磨損預(yù)測(cè)。構(gòu)建的機(jī)器學(xué)習(xí)模型的網(wǎng)絡(luò)參數(shù)與第4.2.1節(jié)相同。不同測(cè)試數(shù)據(jù)集下基于單傳感器信號(hào)特征的刀具磨損預(yù)測(cè)結(jié)果如圖6所示。

圖6 基于具有切削力信號(hào)的SVR、RBFNN、BLSTM模型的刀具磨損預(yù)測(cè)結(jié)果

4.3 預(yù)測(cè)結(jié)果的對(duì)比分析

以均方根誤差(RMSE)和決定系數(shù)(R2)作為預(yù)測(cè)回歸效果的評(píng)價(jià)指標(biāo),計(jì)算得出不同預(yù)測(cè)模型的預(yù)測(cè)結(jié)果對(duì)比分析。表3列出了7種不同預(yù)測(cè)模型的預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)值。實(shí)驗(yàn)結(jié)果表明,基于淺層機(jī)器學(xué)習(xí)模型,相比于僅利用單傳感器信號(hào)的敏感特征建立刀具磨損預(yù)測(cè)模型,利用多傳感器信號(hào)的融合特征建立的模型具有更小的均方根誤差和更大的決定系數(shù),這說(shuō)明傳感器的特征融合優(yōu)于單傳感器的特征提取。

表3 不同預(yù)測(cè)模型的評(píng)價(jià)結(jié)果

在所有模型對(duì)比中,MFSSAE-BLSTM具有最小的均方根誤差和最大的決定系數(shù),這意味著所提出的模型具有最佳的預(yù)測(cè)效果評(píng)價(jià)。

為了驗(yàn)證所提出模型在預(yù)測(cè)性能方面的優(yōu)勢(shì),將多層感知器(MLP)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(BLSTM)等已有網(wǎng)絡(luò)模型構(gòu)建到本實(shí)驗(yàn)數(shù)據(jù)集中。以RMSE為評(píng)價(jià)指標(biāo),不同預(yù)測(cè)模型的預(yù)測(cè)性能對(duì)比結(jié)果表明,所提出的MFSSAE-BLSTM模型獲得了相對(duì)較高的預(yù)測(cè)精度,如表4所示。

表4 不同刀具磨損預(yù)測(cè)模型的評(píng)價(jià)結(jié)果

5 結(jié) 論

構(gòu)建了一種新的多傳感器特征融合SSAE-BLSTM(MFSSAE-BLSTM)模型。通過(guò)主成分分析對(duì)多傳感器敏感特征和從切削力信號(hào)中提取的單傳感器敏感特征進(jìn)行降維預(yù)處理。SVR、RBFNN和BLSTM模型以主成分作為輸入特征,建立刀具磨損預(yù)測(cè)模型,預(yù)測(cè)結(jié)果對(duì)比分析表明,所提出的模型具有最小的RMSE和最大的R2,代表了更好的預(yù)測(cè)精度和穩(wěn)定性,這表明多傳感器特征融合和深度學(xué)習(xí)方法相結(jié)合具有更強(qiáng)大的特征學(xué)習(xí)和預(yù)測(cè)能力。具體結(jié)論如下:

1) 切削力和振動(dòng)信號(hào)包含大量反映刀具狀況的敏感特征信息,可用于刀具磨損預(yù)測(cè)研究。

2) 將多傳感器敏感特征輸入到淺層機(jī)器學(xué)習(xí)模型中,可以實(shí)現(xiàn)精確的刀具磨損預(yù)測(cè)。

3) 多傳感器特征比單傳感器特征包含更全面和豐富的刀具狀態(tài)特征信息。以SVR網(wǎng)絡(luò)為例,輸入多傳感器特征比單傳感器特征均方根誤差減少了22.68%,決定系數(shù)增加了24.33%

4) 基于SSAE的無(wú)監(jiān)督深度學(xué)習(xí)方法用于多傳感器特征的深度融合,提高了刀具磨損預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。用所構(gòu)建模型對(duì)于實(shí)驗(yàn)數(shù)據(jù)集的預(yù)測(cè),相比于MLP、CNN等已知模型,均方根誤差至少減少了9.6%。

因此,利用多傳感器特征融合和深度學(xué)習(xí)方法相結(jié)合能夠有效預(yù)測(cè)鎳基高溫合金銑削刀具磨損情況,提高鎳基高溫合金材料熱端部件的加工精度,進(jìn)而提高航空發(fā)動(dòng)機(jī)的性能和壽命。