用于增强刀具磨损监测的振动数据融合与稀疏驱动卷积网络

《Scientific Reports》：Vibration data fusion and sparsity-driven convolutional network for enhanced tool wear monitoring

　　

摘要

本研究提出了一种新型刀具状态监测方法，解决了深度学习中的过拟合挑战和传统方法的精度有限问题。它采用了一种加权多传感器融合技术，该技术根据每个传感器的贡献动态调整其重要性。对来自五个传感器的原始振动数据进行处理，以计算快速傅里叶变换（FFT）。FFT 被输入到卷积神经网络（CNN）中，并传递到特征提取层。随后，softmax 激活层为每个传感器生成重要性得分，加权输出通过全连接层进行最终分类。该工作的关键创新在于引入了一种机制来计算权重的香农熵和正则化，以对抗过拟合，促进滤波器的稀疏激活。该融合方法达到了 99.90% 的准确率，显著优于单个传感器，即传感器 1（83.03%）和传感器 2（60.51%）。多传感器融合方法使准确率提高了 3.4%，超过了现有的最先进方法。