智能刀具状态监测（TCM）的现代铣削数据集：MU-TCM面铣实验数据与传感器融合应用

为解决工业环境中刀具磨损监测（TCM）信号获取困难及学术研究与产业应用脱节的问题，西班牙Mondragon Unibertsitatea的研究团队开发了MU-TCM面铣数据集。该数据集通过高精度内外传感器同步采集切削力、振动和声发射信号，结合多工况实验设计，为机器学习（ML）和深度学习（DL）模型训练提供了可靠数据，显著提升了刀具磨损预测的泛化能力，推动了传感器融合（sensor fusion）技术在智能制造中的应用。

　　

在制造业中，铣削加工如同“心脏”般驱动着精密零件的生产，而刀具磨损则是这颗“心脏”的隐形杀手。传统刀具状态监测（TCM）依赖高成本的外部传感器或低分辨率的数控（CNC）内部信号，导致工业场景中监测系统难以落地，学术成果与生产线需求之间横亘着一条“死亡之谷”。更棘手的是，现有数据集往往局限于单一工况或老旧设备，深度学习（DL）模型如同“盲人摸象”，无法适应真实生产环境的复杂性。

为破解这一困局，西班牙Mondragon Unibertsitatea的Jose Joaquin Peralta Abadia团队在《Scientific Data》发表了MU-TCM面铣数据集。研究人员设计了一套涵盖不锈钢和铸铁两种材料、4种切削速度（v_C为50-200 m/min）和4种进给量（f为0.05-0.2 mm/rev）的实验方案，通过16组实验（67次切削）同步采集了16种CNC内部信号（如主轴扭矩TV_{2_S}、电流CV_{3_X}）和外部传感器数据（三轴切削力F_x-y-z、振动A_x-y-z及1MHz高频声发射AE）。特别创新的是，团队采用OptiTwin系统实现内外信号同步，并首次在同类数据集中纳入刀具磨损（VB）的渐进式标注（0-0.3mm），为DL模型提供了从“健康”到“濒危”的全周期学习样本。

关键技术方面，研究团队通过四步法奠定数据基石：（1）基于工业标准的实验设计（DOE），模拟真实磨损梯度；（2）Lagun L1000数控中心搭配Kistler传感器阵列，实现50kHz振动信号与1MHz声发射信号的高频采集；（3）Python脚本驱动的信号同步技术，以主轴转速S_REAL和Z轴切削力F_z为基准对齐多源数据；（4）Leica Z16 APO超景深显微镜精准测量VB值，辅以未标注图像供算法自主挖掘特征。

研究结果揭示多项突破：

1. 信号相关性：切削力信号与VB呈现强相关性（F_z的Pearson系数达0.94），而内部信号如CV_{3_X}（RMS电流）同样表现出0.79的显著关联，证实低采样率（250Hz）CNC数据仍具监测潜力。
2. 跨材料泛化：相同切削参数（v_C=100 m/min, f=0.1 mm/rev）下，不锈钢与铸铁的磨损模式差异为跨材料迁移学习（transfer learning）提供了测试基准。
3. 传感器融合价值：时频域特征分析显示，小波能量（wavenergy）在F_x和AE_RMS信号中分别呈现0.88和-0.63的相反趋势，提示多信号互补可提升监测鲁棒性。

这项研究的意义如同为智能制造点亮“信号灯塔”：一方面，MU-TCM数据集填补了高分辨率内外信号联合标注的空白，使DL模型能像“老工匠”一样通过多种感官综合判断刀具健康；另一方面，团队开源的Python验证代码（GitHub）降低了工业界复现门槛。正如作者强调，该成果不仅为仅依赖CNC信号的工厂级TCM系统铺路，更通过“实验设计-数据采集-特征工程”的全链条开源，推动学术与产业的双向奔赴。未来，这种传感器融合范式或可延伸至车削、钻削等工艺，加速制造业的数字化蜕变。