基于贝叶斯优化Bi-LSTM的刀具磨损状态监测模型

针对刀具磨损在线监测过程中信号特征较弱、外界噪声干扰较大导致的预测准确度较差问题，提出了一种基于贝叶斯优化(BO)双向长短时记忆网络(Bi-LSTM)的刀具磨损状态监测模型。结合斯皮尔曼相关系数和最大互相关系数来筛选降噪后切削力信号的时域、频域及时频域特征，输入到建立好的Bi-LSTM模型进行训练；针对Bi-LSTM模型参数组合对精度影响大且难以选择的问题，采用贝叶斯优化算法进行超参数寻优；利用铣削加工实验对模型进行验证。结果表明，该方法能快速得到模型最优超参数，同时兼具稳定性和准确性，与其他深度学习模型相比，准确率更高，实验证明了该模型的有效性和可行性。