10种深度学习模型实现刀具磨损预测，效果极好！对比框架已搭好，方便添加其他模型

张开发
• 2026/4/12 13:03:19 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

10种深度学习模型实现刀具磨损预测，效果极好！对比框架已搭好，方便添加其他模型
背景本文基于 PHM2010 刀具磨损数据集系统对比了10种深度学习模型在跨工况刀具磨损预测任务上的表现。10种模型包括PatchTST、iTransformer、TimeMixer、ModernTCN、BiLSTM、LSTM、GRU、CNN、TCN、Transformer数据与实验设计数据集PHM2010 刀具磨损公开数据集包含6把刀具本文采用C1、C4、C6三把刀具的全寿命切削数据。每次切削采集 7 通道信号三向切削力、三向振动、声发射经过信号处理构建特征矩阵。实验方案采用留一法跨工况验证共3组实验实验1C1C4 训练 → C6 测试实验2C1C6 训练 → C4 测试实验3C4C6 训练 → C1 测试模型选择本期选择了覆盖4大类架构的10种模型经典序列模型BiLSTM双向长短时记忆网络能同时利用过去和未来信息LSTM单向长短时记忆网络经典时序基线GRU门控循环单元LSTM 的轻量替代经典卷积模型CNN一维卷积网络提取局部时序特征TCN时序卷积网络通过膨胀卷积扩大感受野标准 TransformerTransformer基于自注意力机制的编码器捕获全局依赖2023-2024 最新模型PatchTSTICLR 2023将时间序列切成重叠的 patch 作为 token用 Transformer 编码大幅减少 token 数量的同时保留局部上下文iTransformerICLR 2024反转注意力维度——不在时间步之间做 attention而在特征通道之间做 attention让模型自动学习传感器通道间的关联TimeMixerICLR 2024纯 MLP 架构通过多尺度下采样 跨尺度混合无需 attention 即可捕获不同粒度的退化模式ModernTCNICLR 2024借鉴 ConvNeXt 设计理念改造 TCN大核深度可分离卷积 倒瓶颈结构纯卷积架构中的最新代表结果展示实验1实验2实验3三组实验的综合结果如下小结论1. PatchTST 一骑绝尘PatchTST 在三组实验中 R² 均超过 0.90平均 R² 达到 0.9351远超其他模型。其成功的关键在于重叠 patch 切分保留了丰富的局部时序上下文Transformer 注意力又能捕获全局退化趋势两者互补效果显著。此外我们为其配置了 warmup 余弦退火学习率策略和 SmoothL1 损失函数对最终效果也有明显帮助。2.研究框架本期文章不是为了提出一个新模型而是为大家提供一个刀具寿命预测的框架可以随意添加任何模型进行对比出图方便代码中涉及到的数据特征提取方法、网络参数等都可以给准备研究刀具寿命预测课题的你一个良好的示范。代码获取承诺以上实验均可完整实现。代码内提供了数据下载链接。此代码依据torch框架搭建可以使用GPU加速。代码获取链接https://mbd.pub/o/bread/YZWclZdvbQ

更多文章