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1:C1+C4 训练 → C6 测试
-
实验2:C1+C6 训练 → C4 测试
-
实验3:C4+C6 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 | MAE | RMSE | R2 |
|---|---|---|---|
| Exp1_C1C4_C6 | 6.68 | 8.18 | 0.9583 |
| Exp2_C1C6_C4 | 6.69 | 9.29 | 0.9401 |
| Exp3_C4C6_C1 | 5.39 | 6.23 | 0.9482 |
| 平均 | 6.25 | 7.90 | 0.9489 |
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。



被折叠的 条评论
为什么被折叠?



