基于改进BiGRU的刀具磨损预测
Intelligent Tool Wear Prediction Method Based on Improved BiGRU
周建承 1梁全 2库涛3
作者信息
- 1. 沈阳工业大学机械工程学院,沈阳 110870;中国科学院网络化控制系统重点实验室,沈阳 110016;中国科学院沈阳自动化研究所,沈阳 110016;中国科学院机器人与智能制造创新研究院,沈阳 110069
- 2. 沈阳工业大学机械工程学院,沈阳 110870
- 3. 中国科学院网络化控制系统重点实验室,沈阳 110016;中国科学院沈阳自动化研究所,沈阳 110016;中国科学院机器人与智能制造创新研究院,沈阳 110069
- 折叠
摘要
针对双向门控循环神经网络(bidirectional gated recurrent unit,BiGRU)超参数难以确定以及对重要特征捕捉能力较弱的问题,提出了一种改进模型用于刀具磨损预测.模型采用经过下采样的多通道传感器数据作为输入,使用随机搜索算法自适应的确定深度学习模型的最优超参数组合,并引入注意力机制与指数搜索算法增强对全局特征与局部趋势的捕捉能力.模型在PHM2010 数据集上进行了实验验证,结果表明,该方法可快速确定超参数组合,并获得更稳定的预测值,具有更好的综合性能.
Abstract
Aiming at the problem that the hyperparameters of the bidirectional gated recurrent unit(BiGRU)are difficult to determine and the ability to capture important features is weak,a improved model is proposed for tool wear prediction.The model utilized down-sampled multichannel sensor data as input and employed a random search algorithm to adaptively determine the optimal hyperparameter combination for the deep learn-ing model.Additionally,attention mechanism and exponential search algorithm were introduced to enhance the capturing capability of global features and local trends.Experimental validation was performed on the PHM2010 dataset,and the results demonstrated that this approach enabled rapid determination of hyperparam-eter combinations,resulting in more stable prediction values and superior overall performance.
关键词
刀具磨损/双向门控循环神经网络/注意力机制/随机搜索算法/指数平滑Key words
tool wear/bidirectional gated recurrent unit/attention mechanism/random search algorithm/exponential smoothing引用本文复制引用
基金项目
国家重点研发计划项目(2020YFB1708503)
出版年
2024
NETL
NSTL
万方数据