来源：期刊VIP网 时间：
作者：金一涵;魏创;唐钰哲;周明东;
单位：上海交通大学机械与动力工程学院上海市复杂薄板结构数字化制遗重点实验室;
摘要：铣削颤振是机械加工中的常见问题，显著影响加工质量、刀具寿命和生产效率。传统的颤振监测方法通常依赖人为设定的特征参数和阈值，这类方法容易引发特征冗余，同时阈值设定也具有较强的主观性，难以适应复杂多变的工况。为了解决上述问题，迫切需要一种更加智能化、自动化的监测方法。文中提出了一种基于多通道并行卷积神经网络(MC-CNN)与通道自注意力机制(ECA)的铣削颤振在线监测方法。通过MC-CNN从多个传感器采集的信号中自动提取和融合多源信息特征，减少了特征选择对人工干预的依赖，有效应对了阈值设定中的主观性问题。引入ECA机制后，模型能够动态调整特征权重，增强了对关键特征的识别能力，提高了颤振监测的精度和适应性。在卧式加工中心上的实验结果表明，所提模型相较于长短时记忆神经网络(LSTM)、Transformer等传统模型，具有更高的分类准确率和更短的训练时间，展示了出色的计算效率和实时性能。此外，该方法在不同颤振状态下均表现出较强的泛化能力，能够稳定适应不同加工条件，为铣削颤振监测提供了一种有效的技术手段。
关键词：铣削颤振;;在线监测;;多通道并行;;卷积神经网络;;通道自注意力机制
基金资助：国家工信部工业母机领域攻关项目(GG20211120401);; 上海市东方英才计划资助项目
