控制工程

作者：刘业峰, 何增鹏

单位：1. 沈阳工学院辽宁省数控机床信息物理融合与智能制造重点实验室，辽宁沈抚示范区 113122；2. 沈阳理工大学自动化与电气工程学院，辽宁沈阳 110159

关键词：刀具磨损监测；卷积神经网络；残差网络；双向长短期记忆神经网络；相关性分析

刀具磨损具有不可控性，准确监测刀具磨损状况是提升机床效率和产品质量的关键。因此，提出一种基于残差卷积神经网络(residual convolutional neural network, ResCNN)和双向长短期记忆(bidirectional long short-term memory, BiLSTM)神经网络的刀具磨损监测模型。首先，基于皮尔逊相关系数和斯皮尔曼相关系数分析多维传感器信号与刀具磨损值之间的相关性，以最小化采样信号的维数；然后，通过ResCNN直接提取数据的空间特征，采用BiLSTM神经网络建立刀具磨损历史数据之间的时间特征，以获得刀具磨损监测结果。实验结果表明，与线性回归模型、卷积神经网络模型、ResCNN模型等深度学习模型相比，所提模型的刀具磨损监测准确度更高。

来源：2026年第4期

《控制工程》期刊编辑部

查看控制工程杂志2026年第4期