周锴，黄之文，朱坚民

（200093 上海市 上海理工大学）

0 引言

在切削加工过程中，刀具的磨损不可避免地影响产品的质量和加工系统的运行，造成严重损失，因此刀具磨损检测变得尤为重要。为了避免由于磨损检测造成的加工中断，研究人员对实时的刀具磨损检测进行了大量的研究。

在刀具磨损状态预测中，研究表明切削力[1]、振动[2]、声发射[3]、主轴电机电流[4]等信号可用于监测刀具的磨损状况。由于单一传感器信号易受现场噪音影响且无法全面反映实际磨损状况，Ghosh[5]等研究了一种基于人工神经网络的刀具磨损预测传感器信号融合模型，提出多传感器信号融合有助于提高预测精度。同时，相关研究表明，在增加传感器信号数量的同时也会导致冗余信号的产生，为此需要对信号进行特征提取及融合。Kong[6]等通过对3 个方向上的切削力信号提取时域、频域和小波域共9 种特征来监测刀具状况，并提出使用改进的核主成分分析（Kernel Principal component analysis，KPCA），以提高特征融合效率。

由于人工智能算法可以在特征与刀具磨损之间建立非线性映射关系，因此该类方法得以在刀具磨损状态监测中广泛应用。Huang[7]等从信号中提取9 种特征，并使用深度卷积神经网络（Deep Convolutional Neural Networks，DCNN）预测刀具磨损；张存吉[8]等提出采用卷积神经网络（Convolutional Neural Network，CNN）的铣削刀具磨损预测模型。然而该类算法缺乏可解释性且泛化能力差，对模型数据量有一定要求。相反支持向量回归模型（Least Squares Support Vector Regression，LSSVR）则以其具有良好的可解释性和泛化能力，引起了广泛的研究兴趣。……