基于深度门控循环单元神经网络的刀具磨损状态监测方法

摘要

本发明公开了一种基于深度门控循环单元神经网络的刀具磨损状态监测方法，包括：利用传感器实时采集刀具加工过程中产生的振动信号，经小波阈值去噪后输入一维卷积神经网络中进行单个时间步时序信号局部特征提取，然后输入改进的深度门控循环单元神经网络CABGRUs中进行时序信号时间序列特征提取，引入Attention机制计算网络权重并对其进行合理分配，最后，将不同权重的信号特征信息放入Softmax分类器对刀具磨损状态进行分类，避免因人工提取特征带来的复杂性和局限性；同时有效解决了单卷积神经网络忽略时序信号前后关联问题，通过引入了Attention机制提高了模型的准确率。因此，本发明具有提高刀具磨损状态监测的实时性和准确性的特点。