在现代制造系统和工业中，越来越多的研究人员致力于开发有效的机器健康监测系统。在各种机器健康监测方法中，数据驱动方法由于先进的传感和数据分析技术的发展而越来越受欢迎。然而，考虑到感官数据背后的噪声、变长和不规则采样，这种序列数据不能直接输入到分类和回归模型中。因此，以往的工作主要集中在特征提取/融合方法上，需要耗费大量人力和高质量的专家知识。近年来，随着深度学习方法的发展，重新定义了从原始数据中进行表征学习的方法，本文设计了卷积双向长短期记忆网络（cblstm）来处理原始的感觉数据。cblstm首先利用cnn从序列输入中提取具有鲁棒性和信息性的局部特征。然后，引入双向lstm对时间信息进行编码。长-短期内存网络（lstms）能够捕获长期依赖关系和模型序列数据，双向结构能够捕获过去和未来的上下文。在双向lstms的基础上，分别建立了叠加层、全连通层和线性相关层来预测目标值。在这里，介绍了一个真实的刀具磨损试验，我们提出的CBLSTM能够根据原始的感官数据预测实际刀具磨损。实验结果表明，我们的模型能够优于几种最新的基线方法。
传感器数据本质上是由传感器采集的时间序列数据，并以序列的形式表示。以往的工作主要集中在多域特征提取方面，包括统计（方差、偏态、峰度）、频率（谱偏态）和时间频率（小波系数）特征。
lstm作为一种神经网络，将表示学习和模型训练结合在一起，不需要额外的领域知识。另外，这种结构可以发现一些不可见的结构，提高模型的泛化能力。除了时间信息的必要性外，原始感觉数据通常含有噪声。建立在原始感官数据基础上的lstm模型可能并不可靠。因此，引入卷积神经网络（cnn）进行局部特征提取，其核心思想是通过卷积核和冷却操作来提取抽象特征。在cnn中，卷积层（卷积核）将原始序列数据卷积成多个局部滤波器，生成不变的局部特征，随后的池层在固定长度的滑动窗口中提取最重要的特征。在这里，我们首先采用cnn从原始信号中提取一系列的局部特征。
本文将cnn与双向lstm相结合，提出了一种新的机器健康监测系统，称为卷积双向lstm网络（cblstms）。在我们提出的cblstms中，cnn可以提取局部鲁棒特征，而基于cnn的双向lstms能够对时间信息进行编码和学习表示。与以前馈方式处理输入序列的传统lstms不同，双向lstms对输入序列进行正向和反向建模[22]。双向lstm背后的核心思想是，每一个序列向前和向后呈现为两个独立的lstm，并且双向lstm可以访问给定序列中每个时间步前后的所有上下文信息的完整的序列信息。在这里，我们采用了一个开源的数据集：测功机、加速度计和从高速计算机数控（CNC）铣床刀具上采集的声学任务数据（请访问https://www.phmsociety.org/competition/phm/10）。相应的任务定义为基于感官信号（即刀具磨损深度）的刀具磨损条件估计[23,24]。在我们的设置中，这个问题被转化为具有序列数据的回归问题，其中每个序列数据，即感官数据，表示与实际刀具磨损宽度相对应的某一特定刀具磨损条件。将几种最新的模型与我们提出的cblstms模型进行了比较。
与原始的顺序输入相比，cnn能够编码更多的关键信息。
提出的cblstms主要由两部分组成：一部分是局部特征抽取器cnn，另一部分是时间编码器双向lstms。在原始输入序列上应用一层cnn提取局部特征和判别特征后，在前一层cnn的基础上建立两层双向lstms对时间模式进行编码。然后，将两个完全连通的稠密层叠放在一起处理lstms的输出。最后采用线性回归层预测刀具磨损深度