| 模型方法 | 文献来源 | 类型 | 准确率 | 特点及其创新性 |
| 小波阈值去噪改进PSO-LSTM | 文献 [22] | 分类 | 96% | 可以实现小规模样本的预测和分类，并且识别精度高 |
| 改进VMD-LSTM | 文献 [23] | 分类 | 92.44% | 改进的VMD克服了模态混叠问题，并且模型识别精度高，泛化能力强 |
| HHT-LSTM | 文献 [24] | 回归 | 78.06% | 使用扭矩信号，实现在多工况下得到刀具的磨损 |
| PCC、RF、PCA混合的编码–解码LSTM | 文献 [25] | 回归 | 97% | 采用PCC、RF、PCA混合方法提取特征，降低数据的复杂度，发现切削力信号的强相关性 |
| 小波阈值去噪的融合Attention堆叠残差GRU | 文献 [29] | 回归 | >95% | 提出堆叠残差GRU模型，解决深度网络的退化问题，并一定程度上加快了模型的收敛速度 |
| 交叉验证递归特征消除的GRU | 文献 [31] | 回归 | 93.7% | 特征选择降低了特征维数并且能够有效消除噪声 |
| 小波阈值去噪的融合Attention的CNN + BiGRU | 文献 [34] | 分类 | 97.58% | 一维CNN提取了信号局部特征，BiGRU能够兼顾全局信号特征，融合Attemtion机制提高模型的精度和泛化能力 |
| SSA-BiLSTM | 文献 [36] | 分类 | 97.94% | 使用PCA降低了特征维度，减少了信息损失，训练提前终止防止过拟合 |
| 短时傅里叶的Vgg13 | 文献 [40] | 分类 | >98% | 短时傅里叶将非平稳信号分解成多段近似平稳信号，并且模型预测准确率高，损失值更小，整体稳定性好 |
| ECADCL的Vgg | 文献 [41] | 分类 | 94.09% | ECA使网络能够提取关键特征，破坏与重构模块提高模型的鲁棒性 |
| CaAt-ResNet-1d | 文献 [46] | 分类 | 89.27% | 使用CaAt通道注意力机制，能够对多通道时序信号进行提取 |
| 小波阈值去噪RDN | 文献 [47] | 分类 | 93.5% | 提出残差块的密集连接概念，缓解了梯度分散的问题 |
| Densenet | 文献 [49] | 回归 | 97.1% | 使用原始时域信号避免损失，自适应的提取特征，泛化性能强 |
| 多任务训练的DBN | 文献 [53] | 分类 | 99% | 使用孪生网络的训练方法，多任务深度学习方法可以实现信息共享，加快计算速度 |
| 改进DBN | 文献 [54] | 分类 | 96% | 改进后的DBN模型泛化能力得到增强 |
| DBN | 文献 [55] | 回归 | 98.89% | 增加模型深度并隐藏部分神经元，稳定性好，计算速度快 |
| IDOA-DBN | 文献 [56] | 分类 | 98.83% | IDOA降低特征维度，显著的减少模型的计算时间 |
| 压缩感知加噪处理数据的SSAE | 文献 [59] | 分类 | 98.5% | 更好的对表征信号的隐藏特征进行提取，自适应的提取特征，识别出不同信号的差异 |
| SSAE | 文献 [61] | 分类 | 99.63% | 通过对模型正则化、系数正则化的参数进行微调，避免过拟合，并且计算速度快，实时性强 |
| OA-SSAE | 文献 [62] | 分类 | 96.41% | 使用阶次分析提取特征，减少了模型的计算量，提高了模型的效率，L-BFGS算法寻找最优参数，提升预测效果，贴近工程实际 |
| 动态对抗域的LSTM迁移学习 | 文献 [66] | 回归 | >90% | 通过对抗域训练微调模型参数，用较少的样本实现高效预测 |
| 对抗域的CNN迁移学习 | 文献 [68] | 回归 | 88% | 对抗域训练生成共同特征，对于标签较少的数据有较好的效果 |