Tool Wear Monitoring Based on IWOA-IECA-BiLSTM Model

doi:10.3969/j.issn.1004-132X.2025.12.016

Abstract

Abstract:

To improve the monitoring accuracy of tool wear during machining， a BiLSTM model based on IWOA and IECA mechanism was proposed. Tool wear data segments from the PHM2010 dataset were intercepted， and multi-domain features were extracted. Tool wear strongly correlated features were then obtained by screening with the Pearson correlation coefficient. The input features were used to train the model. The BiLSTM module in the model effectively captured temporal features within the data. The IECA attention mechanism module enhances the feature representational capability. The IWOA module optimized the model's hyperparameters， further improving the model accuracy. The model performance was finally tested based on three-fold cross-validation and compared with several other models. The results demonstrate that the IWOA-IECA-BiLSTM tool wear monitoring model achieves the best performance on most test sets. On test sets C₁，C₄and C₆， the root mean square error （RMSE） values are as low as 6.5， 12.46， and 9.28， respectively.

Key words: tool wear, improved whale optimization algorithm（IWOA）, improved efficient channel attention（IECA） mechanism, bi-directional long short-term memory（BiLSTM） network

摘要：

为了提高加工过程中刀具磨损监测精度，提出一种基于改进的鲸鱼优化算法（IWOA）和改进的高效通道注意力机制（IECA）的双向长短期记忆网络（BiLSTM）模型。通过对PHM2010刀具磨损数据进行片段截取并提取多域特征，再结合皮尔逊系数筛选得到刀具磨损强相关特征。输入特征训练模型，模型中BiLSTM模块能有效捕捉数据中的时序特征；IECA注意力机制模块能提高特征表征能力；IWOA模块能优化模型超参数，进一步提高模型精度。最后基于三折交叉验证测试模型性能，并与其他多个模型进行对比，结果表明，IWOA-IECA-BiLSTM刀具磨损监测模型在多数测试集上具有最佳表现，在C₁、C₄、C₆三个测试集上均方根误差分别低至6.5、12.46、9.28。

关键词: 刀具磨损, 改进鲸鱼优化算法, 改进高效通道注意力机制, 双向长短期记忆网络

CLC Number:

TG71

Zhenke BAO, Huajun CAO, Fengze QIN, Zhixiang CHEN, Guibao TAO. Tool Wear Monitoring Based on IWOA-IECA-BiLSTM Model[J]. China Mechanical Engineering, 2025, 36(12): 2936-2943.

包振科, 曹华军, 秦逢泽, 陈志祥, 陶桂宝. 基于IWOA-IECA-BiLSTM模型的刀具磨损监测[J]. 中国机械工程, 2025, 36(12): 2936-2943.

Figures/Tables 16

Fig.1 Tool wear monitoring flowchart

Tab.1 Test benchmark functions

函数名	维度	范围	最优值
F₁（Sphere）	30/10/200	［-100， 100］	0
F₂（Schwefel 2.22）	30/10/200	［-10， 10］	0
F₃（Schwefel 1.2）	30/10/200	［-100， 100］	0
F₄（Schwefel 2.21）	30/10/200	［-100， 100］	0
F₅（Rastrigin）	30/10/200	［-5.12， 5/12］	0
F₆（Griewwank）	30/10/200	［-600， 600］	0
F₇（Penalized）	30	［-50， 50］	0
F₈（Six-Hump camel）	2	［-5， 5］	-1.0316
F₉（Beale）	2	［-4.5， 4.5］	0
F₁₀（Cross-in-tray）	2	［-10， 10］	-2.0626

Tab.2 Comparison of optimization results of 6 algorithms

函数	统计结果	IWOA	WOA	GWO	PSO	SCA
F₁	Mean	0	5.51×10 $- 78$	5.51×10 $-$ ³¹	3.85×10³	1.16×10¹
F₁	Std	0	1.08×10 $-$ ⁷⁶	8.36×10 $-$ ³¹	4.46×10³	2.48×10¹
F₂	Mean	0	8.57×10 $-$ ⁴⁵	9.98×10 $-$ ¹⁸	4.82×10⁴	1.19×10 $-$ ¹
F₂	Std	0	1.91×10 $-$ ⁴³	9.22×10 $-$ ¹⁸	3.30×10⁵	2.15×10 $-$ ¹
F₃	Mean	0	1.35×10 $-$ ⁷⁵	2.61×10 $-$ ²⁹	1.07×10⁶	1.32×10³
F₃	Std	0	1.87×10 $-$ ⁷⁴	5.38×10 $-$ ²⁹	1.15×10⁶	4.44×10³
F₄	Mean	0	2.69×10 $-$ ⁹	3.10×10 $-$ ⁹	2.82×10¹	2.97×10¹
F₄	Std	0	2.95×10 $-$ ⁸	3.57×10 $-$ ⁹	5.97	1.00×10¹
F₅	Mean	0	0	0	2.93×10³	1.61×10²
F₅	Std	0	0	0	2.01×10³	8.26×10¹
F₆	Mean	0	0	0	1.81	4.73×10 $-$ ¹
F₆	Std	0	0	0	9.22×10 $-$ ¹	2.95×10 $-$ ¹
F₇	Mean	9.97×10 $-$ ⁴	4.27×10 $-$ ³	2.44×10 $-$ ¹	2.68×10⁶	8.35×10⁵
F₇	Std	2.11×10 $-$ ³	5.09×10 $-$ ³	5.36×10 $-$ ²	1.17×10⁷	2.78×10⁶
F₈	Mean	$-$ 1.0316	$-$ 1.0245	$-$ 1.0314	$-$ 1.0316	$-$ 1.0315
F₈	Std	8.25×10 $-$ ⁹	1.06×10 $-$ ²	9.18×10 $-$ ⁴	2.70×10 $-$ ¹⁶	4.89×10 $-$ ⁵
F₉	Mean	6.05×10 $-$ ³	1.36×10 $-$ ¹	1.96×10 $-$ ⁷	5.61×10 $-$ ²	4.47×10 $-$ ⁴
F₉	Std	3.14×10 $-$ ²	2.11×10 $-$ ¹	2.35×10 $-$ ⁷	1.52×10 $-$ ¹	5.25×10 $-$ ⁴
F₁₀	Mean	$-$ 2.0626	$-$ 2.0625	$-$ 2.0626	$-$ 2.0626	$-$ 2.0625
F₁₀	Std	2.26×10 $-$ ⁵	4.08×10 $-$ ⁵	1.50×10 $-$ ⁸	8.88×10 $-$ ¹⁶	3.67×10 $-$ ⁵

Tab.2 Comparison of optimization results of 6 algorithms

函数	统计结果	IWOA	WOA	GWO	PSO	SCA
F₁	Mean	0	5.51×10 $- 78$	5.51×10 $-$ ³¹	3.85×10³	1.16×10¹
F₁	Std	0	1.08×10 $-$ ⁷⁶	8.36×10 $-$ ³¹	4.46×10³	2.48×10¹
F₂	Mean	0	8.57×10 $-$ ⁴⁵	9.98×10 $-$ ¹⁸	4.82×10⁴	1.19×10 $-$ ¹
F₂	Std	0	1.91×10 $-$ ⁴³	9.22×10 $-$ ¹⁸	3.30×10⁵	2.15×10 $-$ ¹
F₃	Mean	0	1.35×10 $-$ ⁷⁵	2.61×10 $-$ ²⁹	1.07×10⁶	1.32×10³
F₃	Std	0	1.87×10 $-$ ⁷⁴	5.38×10 $-$ ²⁹	1.15×10⁶	4.44×10³
F₄	Mean	0	2.69×10 $-$ ⁹	3.10×10 $-$ ⁹	2.82×10¹	2.97×10¹
F₄	Std	0	2.95×10 $-$ ⁸	3.57×10 $-$ ⁹	5.97	1.00×10¹
F₅	Mean	0	0	0	2.93×10³	1.61×10²
F₅	Std	0	0	0	2.01×10³	8.26×10¹
F₆	Mean	0	0	0	1.81	4.73×10 $-$ ¹
F₆	Std	0	0	0	9.22×10 $-$ ¹	2.95×10 $-$ ¹
F₇	Mean	9.97×10 $-$ ⁴	4.27×10 $-$ ³	2.44×10 $-$ ¹	2.68×10⁶	8.35×10⁵
F₇	Std	2.11×10 $-$ ³	5.09×10 $-$ ³	5.36×10 $-$ ²	1.17×10⁷	2.78×10⁶
F₈	Mean	$-$ 1.0316	$-$ 1.0245	$-$ 1.0314	$-$ 1.0316	$-$ 1.0315
F₈	Std	8.25×10 $-$ ⁹	1.06×10 $-$ ²	9.18×10 $-$ ⁴	2.70×10 $-$ ¹⁶	4.89×10 $-$ ⁵
F₉	Mean	6.05×10 $-$ ³	1.36×10 $-$ ¹	1.96×10 $-$ ⁷	5.61×10 $-$ ²	4.47×10 $-$ ⁴
F₉	Std	3.14×10 $-$ ²	2.11×10 $-$ ¹	2.35×10 $-$ ⁷	1.52×10 $-$ ¹	5.25×10 $-$ ⁴
F₁₀	Mean	$-$ 2.0626	$-$ 2.0625	$-$ 2.0626	$-$ 2.0626	$-$ 2.0625
F₁₀	Std	2.26×10 $-$ ⁵	4.08×10 $-$ ⁵	1.50×10 $-$ ⁸	8.88×10 $-$ ¹⁶	3.67×10 $-$ ⁵

Fig.2 Convergence curve of the algorithm

Fig.3 IECA structure schematic

Fig.4 LSTM structure schematic

Fig.5 BiLSTM structure schematic

Tab. 3 Experimental condition

实验加工条件	参数
机床	Roders Tech RFMT60
数据采集卡	NIDAQPCI1200
加速度传感器	Kistle8636C
工业显微镜	LEICA MZ12
力传感器	Kistler9265B 三向测力仪
电荷放大器	Kistler5019A 电荷放大器
声发射传感器	Kistler 8152
刀具	球头硬质合金铣刀3齿
切削材料	不锈钢（HRC52）

Tab.4 Characteristic index

序号	特征名称	序号	特征名称
1	平均值	17	均方根频率
2	平方根均值平方	18	频率幅值方差
3	最大值	19	频域幅值偏度
4	峰峰值	20	频率幅值峭度
5	标准差	21	频率标准差
6	均方根值	22	频域频率歪度
7	波形因子	23	频域频率峭度
8	脉冲因子	24	平方根比率
9	清晰因子	25	能量值1
10	峰值因子	26	能量值2
11	偏度	27	能量值3
12	峭度	28	能量值4
13	频域幅值平均值	29	能量值5
14	重心频率	30	能量值6
15	均方频率	31	能量值7
16	频率方差	32	能量值8

Fig.6 Partial Pearson coefficient absolute value

Tab.5 Experimental settings

实验组	训练集＋验证集	测试集
第1组	C₁+ C₄	C₆
第2组	C₁+ C₆	C₄
第3组	C₄+ C₆	C₁

Tab.6 Optimization hyper parameters of the model

测试集	学习率	BiLSTM隐藏神经元数目	dropout
C₁	1.6×10^-4	136	0.1
C₄	7.21×10^-5	110	0.4
C₆	7.75×10^-5	135	0.1

Fig.7 Monitoring effectiveness of the IWOA-IECA-BiLSTM model on the test set.

Fig.8 Monitoring effectiveness of the four models

Tab.7 Model evaluation index

模型	C₁			C₄			C₆
模型	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
A	5.20	6.50	0.95	10.81	12.46	0.88	7.82	9.28	0.95
B	6.86	8.31	0.93	11.12	13.34	0.82	9.75	11.24	0.94
C	7.65	9.12	0.92	10.86	13.57	0.79	11.00	12.64	0.93
D	10.36	12.47	0.73	12.47	15.13	0.69	16.04	17.97	0.85

Tab.8 Indicators of citation models

模型	C₁			C₄			C₆
模型	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
SSEA-BP	7.29	10.08	0.94	12.44	14.62	0.93	12.00	13.53	0.91
CAHSMM	6.25	8.07	NA	17.73	22.03	NA	18.90	22.78	NA
OSVR	7.0	8.7	NA	7.1	10.1	NA	7.3	10.4	NA
RNN	13.1	15.6	NA	16.7	19.7	NA	25.5	32.9	NA
Deep LSTMs	8.3	12.1	NA	8.7	10.2	NA	15.2	18.9	NA
1D-CNN	8.22	10.22	NA	15.05	17.56	NA	14.97	18.33	NA
IWOA-IECA-BiLSTM	5.2	6.5	0.95	10.81	12.46	0.88	7.82	9.28	0.95

References 19

[1]	ELSHEIKH A， et al. Bidirectional Handshaking LSTM for Remaining Useful Life Prediction［J］. Neurocomputing， 2019， 323： 148-156.
[2]	曹大理，孙惠斌，张纪铎，等. 基于卷积神经网络的刀具磨损在线监测［J］. 计算机集成制造系统， 2020， 26 （1）： 74-80.
	CAO Dali， SUN Huibin， ZHANG Jiduo， et al. In-process Tool Condition Monitoring Based on Convolution Neural Network［J］. Computer Integrated Manufacturing Systems， 2020， 26（1）： 74-80.
[3]	MA J， LUO D， LIAO X， et al. Tool Wear Mechanism and Prediction in Milling TC18 Titanium Alloy Using Deep Learning［J］. Measurement， 2021， 173： 108554-108554.
[4]	何彦，凌俊杰，王禹林，等. 基于长短时记忆卷积神经网络的刀具磨损在线监测模型［J］. 中国机械工程， 2020， 31（16）： 1959 - 1967.
	HE Yan， LING Junjie， WANG Yulin， et al. Online Tool Wear Monitoring Model Based on Long-duration Memory Convolutional Neural Network［J］. China Mechanical Engineering， 2019， 31（16）： 1959-1967.
[5]	BAZI R， BENKEDJOUH T， HABBOUCHE H， et al. A Hybrid CNN-BiLSTM Approach-based Variational Mode Decomposition for Tool Wear Monitoring［J］. The International Journal of Advanced Manufacturing Technology， 2022， 119（5/6）： 3803-3817.
[6]	吴飞，农皓业，马晨浩. 基于粒子群优化算法-长短时记忆模型的刀具磨损预测方法［J］. 吉林大学学报（工学版）， 2023， 53（4）： 989-997.
	WU Fei， NONG Haoye， MA Chenhao. Tool Wear Prediction Method Based on Particle Swarm Optimization Algorithm and Short Time Memory Model［J］. Journal of Jilin University（Engineering and Techonlogy Edition）， 2023 53（4）： 989-997.
[7]	肖斌，李炎炎，段增峰，等. 基于ISCSO-LSTM模型的刀具磨损预测［J］. 组合机床与自动化加工技术， 2023（6）： 102-105.
	XIAO Bin， LI Yanyan， DUAN Zengfeng， et al. Based on Tool Wear Prediction ISCSO - LSTM Model［J］. Journal of Combination Machine Tools and Automatic Processing Technology， 2023（6）： 102-105.
[8]	SONG Yan， GAO Shengyao， LI Yibin， et al. Distributed Attention Based Temporal Convolutional Network for Remaining Useful Life Prediction［J］. IEEE Internet of Things Journal， 2021， 8（12）： 9594-9602.
[9]	梁露，刘远龙，刘韶华，等. 基于ECA-TCN 的电力系统短期负荷预测研究［J］. 电力系统及其自动化学报， 2022， 34（11）： 52-57.
	LIANG Lu， LIU Yuanlong， LIU Shaohua， et al. Research on Short-term Load Forecasting of Power System Based on ECA-TCN［J］. Journal of Electric Power System and Its Automatic Chemistry， 2022， 34（11）： 52-57.
[10]	董靖川，武晓鑫，高宇博，等. 融合注意力机制的刀具磨损预测方法［J］. 天津大学学报， 2024， 57（4）： 362-373.
	DONG Jingchuan， WU Xiaoxin， GAO Yubo， et al. Tool Wear Prediction Method with Attention Mechanism［J］. Journal of Tianjin University， 2024， 57（4）： 362-373.
[11]	MIRJALILI S， LEWIS A. The Whale Optimization Algorithm［J］. Advances in Engineering Software， 2016， 95： 51-67.
[12]	MIRJALILI S， MIRJALILI S M， LEWIS A， et al. Grey Wolf Optimizer［J］. Advances in Engineering Software， 2014， 69： 46-61.
[13]	VENTER G， SOBIESZCZANSKI-SOBIESKI J. Particle Swarm Optimization［J］. AIAA Journal， 2003， 41（8）： 1583-1589.
[14]	MIRJALILI S. SCA： A Sine Cosine Algorithm for Solving Optimization Problems［J］. Knowledge-based Systems， 2016， 96： 120-133.
[15]	QIN Yiyuan， LIU Xianli， YUE Caixu， et al. Tool Wear Identification and Prediction Method Based on Stack Sparse Self-coding Network［J］. Journal of Manufacturing Systems， 2023， 68： 72-84.
[16]	YAN Shichao， SUI Liang， WANG Siqi， et al. On-line Tool Wear Monitoring under Variable Milling Conditions Based on a Condition-adaptive Hidden Semi-Markov Model （CAHSMM）［J］. Mechanical Systems and Signal Processing， 2023， 200： 110644.
[17]	GOUGAM F， AFIA A， AITCHIKH M， et al. Computer Numerical Control Machine Tool Wear Monitoring through a Data-driven Approach［J］. Advances in Mechanical Engineering， 2024， 16（2）： 1-15.
[18]	ZHAO Rui， WANG Jinjiang， YAN Ruqiang， et al. Machine Health Monitoring with LSTM Networks［C］∥10th International Conference on Sensing Technology（ICST）. Nanjing， 2016：7796266.
[19]	CHENG Yaonan， LU Mengda， GAI Xiaoyu， et al. Research on Multi-signal Milling Tool Wear Prediction Method Based on GAF-ResNext［J］. Robotics and Computer-Integrated Manufacturing， 2024， 85：102634.