杨瑞元，尹 晨，何建樑，王禹林

(南京理工大学 机械工程学院，南京 210094)

0 引言

机械加工离不开机床的使用，在使用机床进行加工机械加工时，需要对对刀具的磨损状态进行精确地预测，以便在机械加工过程中提高机械加工的质量和效率。

在现有研究中，文献[1]采用BP神经网络融合多特征信息对刀具的状态进行监测，虽然提高了监测的效率，但是BP神经网络收敛速度慢，监测准度不高；文献[2]采用了长短期记忆神经网络对刀具的磨损状态进行监测，虽然提高了监测的准确度，但是采用小波包变化和滤波器来提取特征能量值，会丢失部分关键特征。

基于以上内容，本研究采用局域均值分解排列熵(LMD-PE)刀具状态的特征向量，输入到训练好的长短期记忆神经网络(LSTM)中进行预测，使刀具的故障诊断效率和准确性均得到大幅度的提高。

1 基于LMD-PE和LSTM的刀具故障诊断

刀具出现的故障形式通常有破损和磨损。破损大部分都是错误使用刀具造成的，磨损是正常使用中不可避免的[3]。产生故障的刀具在加工过程会产生不同的振动信号，因为产生的振动信号噪声大、信噪比低[4]，采用LMD-PE对振动信号的处理和LSTM模型的训练对刀具的故障类型进行预测。下面对LMD、PE、LSTM的原理进行介绍。

1.1 局域均值分解LMD原理

LMD可以根据刀具振动信号的局部极值点，采用波动不大的迭代循环方法进行迭代循环，便能够将纯调频信号和包络小信号从原始的振动信号中分离出来[5]，然后对纯调频……