来源：期刊VIP网 时间：
作者：昌志阳1,2;朱飞3;高斯佳1,2;刘天然1,2;刘海波1,2;王永青1,2
单位：1.高性能精密制造全国重点实验室;2.大连理工大学机械工程学院;3.西安航天发动机有限公司
摘要：合理的测量间隙是保证电磁超声非接触测厚稳定性和准确性的重要因素，目前依然缺少测厚过程同步监测间隙的电磁超声测量方法。为在超声非接触测厚过程中更准确地监测间隙状态，结合电磁超声信号特性设计模型架构，提出一种基于卷积神经网络（convolution neural network,CNN）、双向长短期记忆网络（bidirectional long and shortterm memory,BiLSTM）和SE注意力机制（squeeze-and-excitation networks attention mechanism,SE Attention）的混合预测模型（CNN-BiLSTM-SE Attention）。通过间隙标定试验建立数据集并进行预处理，建立网络模型架构，利用CNN提取超声回波信号局部特征，通过BiLSTM双向捕捉信号中的长期依赖关系，引入SE注意力机制自动为各隐藏层分配权重，增强超声关键特征信息；基于间隙标定数据展开模型训练及调优，对测试集合成不同信噪比数据集测试，预测误差在0.10 mm以内的平均准确率最高可达95.74%，相比与CNN、BiLSTM、CNN-BiLSTM模型及拟合函数法具有更好的预测精度和抗噪性，可以在电磁超声测厚过程中提供间隙状态的预测。
关键词：电磁超声测厚;间隙预测;卷积神经网络;双向长短期记忆网络;SE注意力机制
基金资助：国家重点研发计划项目(2022YFB3404704)
