编辑推荐：
在工业 4.0 与 5.0 推进过程中，许多工业设施的机械自诊断（PdM）未达标。研究人员开展铣削加工过程数据相关研究，获取 968 个铣削周期数据。结果表明二维神经网络（LBFGS 求解器）和支持向量回归（SVR）预测刀具寿命精度高，为诊断方法发展提供数据支持。
在当今科技飞速发展的时代，工业领域正经历着深刻变革，第 4 次工业革命强调工业过程的自动化、机器人化和数字化，如今人们又在逐步向工业 5.0 迈进。然而，现实却不尽如人意，许多工业设施连工业 4.0 的标准都未能达到，其中机械的自我诊断，也就是预测性维护（PdM）这一关键标准，在众多情况下难以落实。在机械加工过程中，刀具的损坏常常悄无声息，现有系统无法及时检测并通知操作人员，这就导致生产链意外中断，给企业带来巨大损失。为了攻克这一难题，来自波兰热舒夫工业大学（Rzeszow University of Technology）电气与计算机工程学院计算机与控制工程系的研究人员 Grzegorz Piecuch 和 Tomasz ?abiński 开展了一项意义重大的研究，其研究成果发表在《Scientific Data》上。这项研究为铣削加工过程中的刀具寿命预测和诊断方法发展提供了新的数据支持和方向，在工业生产领域有着重要的应用价值。
研究人员在开展此项研究时，运用了多种关键技术方法。他们选用 3 轴 Haas VF - 1 铣床作为实验平台，安装 8 个振动传感器和 12 个电流互感器进行数据采集。利用工业计算机（Beckhoff C6920）及相关测量模块，以 25kHz 和 0.5kHz 的频率分别采集振动信号和电流信号。在样本选择上，采用 42CrMo4 材料制备样本，并根据不同的轴向切削深度（ADOC）和径向切削深度（RDOC）划分实验周期 ，以此获取不同工况下的数据。
下面来详细介绍研究结果。
实验数据记录
研究人员共记录了 968 个铣削周期的数据，这些数据涵盖了 14 把刀具从开始使用到损坏的整个过程。其中有一把刀具在第一个周期就损坏了，虽被视为异常值，但仍保留在数据集中。原始数据以矩阵形式存储，每个文件包含 20 个测量通道的数据以及时间戳。同时，数据集还包含元数据，将信号数据与实验过程参数相关联，像刀具转速（ToolRotation）、进给速率（FeedRate）、刀具直径（ToolDiameter）等部分参数在所有实验中保持不变 ，而样本硬度等参数则因样本而异。此外，研究人员还对采集的数据进行处理，提取时域特征，形成最终的 968×131 的数据矩阵，其中最后一列是归一化后的刀具失效前剩余周期数（CycleToFailureNormalized） 。
技术验证
为确保实验数据的准确性和可靠性，研究人员进行了严格的技术验证。在每次安装振动传感器前，使用 Bruel&Kjaer 4296 振动激励器对测量通道进行测试，该激励器能产生特定频率和幅值的参考正弦振动信号，以此确认振动信号记录的正确性。并且，将刀具安装在热夹具中，保证了装配的可重复性，进而确保测量结果具有可比性。对于样本的硬度，研究人员进行 3 - 5 次测量，最终取算术平均值记录在元数据中。
数据分析与模型评估
在其他相关研究中，研究人员利用该数据集取得了重要成果。在铣削阶段识别和分割研究中，提出了虚拟断层扫描（virtual tomography）方法，通过对数据预处理和时间序列信号分析，能够有效检测铣削过程各阶段的特定模式或特征，为工业过程测量和诊断系统的实施提供了关键支持。在刀具寿命预测研究方面，评估了支持向量回归（SVR）、决策树和神经网络等模型，发现使用 LBFGS 求解器的二维神经网络预测精度最高，达到 93.9%，SVR 的精度也较高，为 93.4%。
综合来看，该研究成果意义非凡。从实际应用角度出发，研究所得数据集可直接用于刀具状态分类和故障预测，为智能预测维护系统提供有力的数据支撑，帮助企业及时发现刀具潜在问题，提前更换刀具，减少因刀具损坏导致的生产中断，提高生产效率，降低生产成本。从学术研究角度而言，这一数据集为相关领域的研究人员提供了全新的数据资源，推动了新诊断方法的开发和完善，有助于进一步深入研究铣削加工过程中的各种现象和规律。在未来的工业发展中，这样的研究成果有望发挥更大的作用，助力工业领域朝着智能化、高效化的方向不断迈进，为工业 4.0 和 5.0 的全面实现提供重要的技术保障。
