江苏科技大学机械工程学院谢达、李国超团队在《制造技术与机床》发表研究论文《基于可听声信号熵特征的刀具磨损状态监测》。该研究针对传统基于可听声信号的刀具磨损监测方法易受强环境噪声干扰、精度不佳的问题，创新性地提出了一种融合多种熵特征提取、相关性特征优选与长短时记忆网络的智能监测新方法。试验表明，该方法预测磨损量的均方根误差低至0.0041毫米，实现了在强噪声背景下对刀具磨损状态的高精度、实时在线监测，为智能制造中的设备状态智能感知与预测性维护提供了高效、低成本的技术方案。
在工业4.0与智能制造背景下，刀具作为直接参与切削加工的核心部件，其磨损状态直接影响加工效率、产品质量与生产成本。传统的接触式测量或机器视觉等直接监测法成本高、难在线;而基于切削力、声发射等信号的间接监测法虽能实现在线监测，但常面临信号复杂、抗噪性差、模型训练耗时等问题。可听声信号因其采集成本低、传感器安装便捷、完全不干扰加工过程等独特优势，被视为极具潜力的监测信号源，但其易受车间环境噪声污染的特性一直是阻碍其实际应用的主要瓶颈。
为攻克噪声干扰难题，研究团队设计了一套“特征提取-特征优选-智能预测”的创新技术路线。首先，从铣削加工采集的可听声信号中，系统提取了香农熵、小波熵、排列熵、近似熵、散布熵、样本熵和模糊熵共七种熵特征。熵是描述系统混乱程度的物理量，能有效刻画信号中蕴含的复杂性与不确定性信息，对噪声具有一定的鲁棒性。随后，研究采用皮尔逊相关系数分析，从七种熵中精准筛选出与刀具实际磨损量相关性最强(PCC绝对值>0.9)的四种特征：香农熵、小波熵、排列熵和近似熵。这一特征优选步骤大幅降低了输入数据的维度与冗余，为后续模型的快速、精准预测奠定了坚实基础。
预测模型的核心是专门擅长处理时间序列数据的长短时记忆网络。LSTM网络通过其独特的“输入门、遗忘门、输出门”结构，能够有效捕捉刀具磨损随加工时间演变的长距离依赖关系与动态行为模式，克服了传统循环神经网络的梯度消失问题。研究构建了一个包含64个LSTM单元和1个全连接输出层的网络模型，以优选出的四种熵特征序列作为输入，直接映射预测刀具的磨损量。
为验证方法的有效性，团队进行了系统的铣削试验。使用硬质合金立铣刀在45号钢上进行重复铣削，同步采集可听声信号，并在每次走刀后测量刀具后刀面磨损量以获取真实标签。通过对比三种不同预测方法(方法1：时频域特征+LSTM;方法2：全部7种熵+LSTM;方法3：优选4种熵+LSTM)的结果，充分证明了所提方法的优越性。最终，基于优选熵特征的LSTM模型取得了最佳预测性能，其预测曲线与实际磨损量变化趋势高度吻合，均方根误差仅为0.0041毫米，精度显著高于其他对比方法。
该研究成果成功地将信息熵理论与深度学习模型相结合，有效提升了基于可听声信号的刀具磨损监测在强噪声环境下的精度与可靠性。该方法不仅为刀具状态智能监测提供了一种高效、低成本、非侵入式的解决方案，其“熵特征优选+LSTM”的技术框架也为其他旋转机械或过程设备的振动、声音等信号的状态监测与故障诊断提供了可借鉴的新思路，对推动智能制造系统的智能化水平具有重要的理论价值与工程应用前景。
