전통적인 지능형 모니터링 방법에서 신호 특성 추출의 번거로움과 밀링 과정에서 공구 마모가 공작물 품질 및 생산 효율성에 미치는 영향 등의 문제를 해결하기 위해 개선된 GRU 신경망 기반의 공구 마모 상태 예측 방법(BiGRU-1DCNN-CBAM)을 제안하였다. 통계량, 시계열 분석, 주파수 분석 및 웨이블릿 변환 등의 방법을 활용하여 공구 신호의 평균, 첨도, 전력 스펙트럼 밀도 등 24개의 특징량을 추출하고, 다중 모달 시계열 데이터를 공구 특성의 시계열 이미지로 변환하였다; 컨볼루션 신경망을 도입하여 신호 데이터의 심층 특성을 탐색하고, 컨볼루션 주의 메커니즘 모듈을 결합하여 진동 및 절삭력 신호 특징 맵에 대한 모델의 포착 능력을 강화하였으며, 특징 층을 평탄화 및 연결한 후 BiGRU에 입력하여 장기 의존성을 포착하였다. 완전 연결 계층을 통해 공구 마모량을 회귀하여 수치제어 가공 공정에서 공구 마모 상태의 잔여 수명 예측을 실현하였다. 실험 결과, 본 모델은 PHM2010 데이터 세트에서 평균 제곱근 오차(RMSE)와 평균 절대 오차(MAE)가 각각 2.17 μm와 1.29 μm로 Bayesian-MCMC-Prognostics, SBiLSTM, RIME-CNN-SVM, MobilenetV3, TDConvLSTM, ISABO-IBiLSTM, IWOA-IECA-BiLSTM, LSTM-CNN-CBAM 등 모델 대비 각각 40.5% 및 52.1% 이상의 향상을 보였으며, 유사 모델 대비 실행 시간은 최소 2.8% 감소하였다. 제안된 본 모델은 공구 마모 정도를 효과적으로 표현하고 예측 오차를 줄여 우수한 예측 성능을 달성하였다.

공구 마모; 딥러닝; 합성곱 신경망(CNN); 게이트 순환 유닛(GRU); 주의 모듈; 상태 예측