背景本项目基于 PHM2010 刀具磨损公开数据集使用多通道传感器信号预测刀具磨损值。项目提出了一个高创新原创KAN-TiDE网络。在原始 TiDE 回归框架的基础上引入 KAN 非线性建模思想用来增强模型对刀具退化过程的表达能力。TiDE 是 Google Research 于 2023 年提出可用于时间序列预测的深度学习模型出自论文《Long‑term Forecasting with TiDE: Time‑series Dense Encoder》模型的推理速度块加了线性残差思路解决了传统MLP的短板。目前基于TiDE做创新的论文并不多妥妥的论文空白idea本期代码实现了在保持 TiDE 高效建模框架的同时让网络对磨损演化中的非线性关系有更强的拟合能力。本期项目优势这个项目比较适合想快速完成 PHM2010 刀具磨损预测实验的同学主要优势有几个数据处理流程完整从原始 CSV 信号到可训练的.npy特征文件代码已经整理好不需要手动拼数据。实验划分清晰实验方案采用留一法跨工况验证共3组实验实验1C1C4 训练 → C6 测试实验2C1C6 训练 → C4 测试实验3C4C6 训练 → C1 测试模型对比方便项目中保留了多种常见时序模型包括 LSTM、GRU、Transformer、TimeMixer、TCN、TiDE 和 KAN-TiDE可以直接横向比较。结果输出完整每组实验会自动保存预测曲线、全模型对比图、MAE/RMSE/R2 指标柱状图以及径向指标图后续写论文、做汇报或者整理实验记录都很方便。KAN-TiDE 表现突出在推荐实验环境下KAN-TiDE 在三组跨刀具实验中取得了较好的综合表现平均误差更低整体拟合效果更稳定。代码目录如下代码运行简单结构也非常清晰数据处理方式原始数据来自 PHM2010 刀具磨损数据集。每次切削过程包含 7 个传感器通道主要包括切削力、振动和声发射信号。程序会对每次切削信号做统一处理先去除首尾瞬态干扰再把剩余信号按时间顺序划分为 100 个片段。每个片段对 7 个传感器通道分别提取max、mean、variance三类统计特征最终每次切削得到一个100 x 21的特征矩阵。也就是说一个样本不是单个特征向量而是保留了切削过程内部的时间变化信息这对于刀具磨损预测是比较有意义的。KAN-TiDE 的定位与优势KAN-TiDE并非简单地将TiDE中的所有MLP替换为KAN而是采用有选择的混合式设计利用TiDE完成高效的全局稠密编码与解码在关键的高层编码阶段引入B样条KAN进行非线性增强。该策略既保留了TiDE结构简洁、计算开销较低的特点又利用KAN提升了潜在特征空间中的函数逼近能力因此适合作为刀具磨损回归预测的轻量化深度学习模型。具体更为详细的设计细节这里不便具体展示了详细细节原理我都整理在一个WORD文档里边了里边有关于KAN-TiDE所有参数设计的详细介绍在文章末尾获取代码后可见实验结果在推荐虚拟环境下KAN-TiDE 在三组跨刀具实验中的结果如下实验MAERMSER2Exp1_C1C4_C66.688.180.9583Exp2_C1C6_C46.699.290.9401Exp3_C4C6_C15.396.230.9482平均6.257.900.9489从结果可以看到KAN-TiDE 在三组跨刀具测试中都保持了较高的 R2平均 R2 达到0.9489。同时平均 MAE 为6.25平均 RMSE 为7.90说明模型在磨损值回归任务上具有较好的预测精度。与其他模型的对比项目中还包含 BiLSTM、LSTM、GRU、Transformer、TimeMixer、TCN、TiDE 等模型方便做横向对比。实际展示时可以配合项目自动生成的柱状图和径向指标图更直观地展示不同模型在 MAE、RMSE 和 R2 上的差异。代码获取承诺以上实验均可完整实现。代码内提供了数据下载链接。此代码依据torch框架搭建可以使用GPU加速。