来源：期刊VIP网 时间：
作者：舒敏;罗敏;张超勇;蒋忞源;金吉祥;
单位：湖北汽车工业学院;华中科技大学;东风设备制造有限公司;
摘要：为解决刀具磨损预测中多传感器数据的复杂性、高频噪声干扰以及模态特征提取与融合不足对预测精度的限制，提出一种基于黏菌算法优化的变分模态分解（Variational Mode Decomposition Optimized by Slime Mould Algorithm, SMA-VMD）与多模态特征融合的预测模型。采用SMA优化VMD的关键参数，将多传感器信号分解为若干模态分量，提取其关键模态特征；构建由两层双向长短期记忆网络（Bidirectional Long Short-Term Memory,BiLSTM）结合多头注意力机制（Multi-Head Attention, MHA）的特征融合结构，充分挖掘不同模态特征的深层动态信息；利用深度置信网络（Deep Belief Network, DBN）逐层提取与重构特征，实现刀具磨损值的预测。通过搭建刀具磨损实验平台，采集切削力信号和三向振动信号对所提方法进行验证。实验结果表明，所提模型在多模态特征分解与融合方面表现优越，预测曲线与原始真实值拟合度高，其在磨损预测任务中的均方根误差（RMSE）为0.016 1 mm，平均绝对百分比误差（MAPE）为0.201%，决定系数（R2）为0.994 6，均优于其他深度学习模型，充分证明其可靠性与准确性。
关键词：多模态特征融合;;变分模态分解优化;;双向长短期记忆网络;;深度置信网络;;刀具磨损
基金资助：国家自然科学基金（51575211）
