准确预测刀具磨损是一个具有挑战性的问题。如何结合各种信号的优势,融合传感器信号特征来提高预测精度,是一个关键问题。为解决上述问题,提出基于时间卷积长短时记忆网络(TCN-LSTM)的多域特征融合刀具磨损预测方法。收集来自不同传感器的信号,在时域、频域上对不同传感器信号分别进行特征提取,时频域上利用变分模态分解算法将原始信号分解并计算每个分量的能量来构成多域特征向量。使用皮尔逊相关系数法对多域特征进行优化,经优化后构成的多域特征矩阵作为模型的输入,通过TCN-LSTM模型有效地学习了所获得的多域特征矩阵与实时刀具磨损之间的复杂关系。最后,在干式铣削条件下进行3组刀具磨损实验对所提出的方法进行了验证。实验结果表明:所提出的方法比对比模型的预测准确率更高,泛化能力更好。

为更精确地研究刀具磨损,建立刀具磨损模型至关重要。目前刀具磨损的模型主要是经典的刀具磨损模型和刀具磨损预测模型,刀具磨损预测模型主要为人工神经网络、隐马尔可夫模型和支持向量机模型。分析铝合金切削过程中的刀具磨损机制,总结经典的刀具磨损模型,梳理刀具磨损预测模型。铝合金切削过程中刀具主要的磨损机制为黏着磨损、扩散磨损和磨粒磨损。结果表明:在黏着磨损和磨粒磨损的基础上考虑扩散磨损的刀具磨损理论模型最接近实际加