五轴CNC铣削多换型生产数据集：面向工业4.0的制造过程透明化与效率优化研究

为解决工业4.0背景下制造数据稀缺问题，德国维尔茨堡-施韦因富特应用技术大学团队开发了包含30次制造会话的五轴CNC铣削数据集，涵盖3种产品的完整换型（Changeover）与加工过程。研究通过标准化换型矩阵设计，记录170项NC控制特征，为建模人机交互、优化生产时序提供高价值数据，相关成果发表于《Scientific Data》。

　　

在第四次工业革命浪潮中，制造业数字化转型面临核心挑战——生产过程的透明化与数据驱动优化。尽管工业4.0技术蓬勃发展，但特定工艺如五轴CNC铣削的高质量生产数据仍属稀缺资源。现有数据集往往局限于加工阶段，忽略占生产周期30%-50%的换型（Changeover）过程，这种数据缺口严重制约了人工智能在制造优化中的应用。德国维尔茨堡-施韦因富特应用技术大学数字工程研究所的Mario Martinez、Anna-Maria Schmitt等学者在《Scientific Data》发表的研究，通过构建包含完整换型-生产周期的五轴铣削数据集，为破解这一瓶颈提供了关键基础设施。

研究团队设计了一套系统性数据采集方案：选用Spinner U5-620五轴铣床（配备Siemens 840D-SL数控系统），通过uaGate 840D接口以1秒间隔采集NC内核（NCK）和PLC的170项动态参数。实验采用换型矩阵（Changeover Matrix）方法，对钥匙链（Product A）、开瓶器（Product B）和坐标系模型（Product C）三种产品进行全排列组合生产，每种组合重复5次形成30次制造会话。数据采集覆盖X/Y/Z线性轴和B/C旋转轴的运动参数、刀具状态、主轴功率等多维特征，并配套提供NC代码、刀具清单及Jupyter Notebook分析案例。

关键方法

1. 换型矩阵设计：通过6种产品排列组合构建完整换型时序关系，如表2所示；
2. 工业物联网架构：采用MQTT协议实现NCK-PLC-Telegraf-InfluxDB数据流水线（图3）；
3. 多粒度标注体系：定义10类标签集（Label_01至Label_10），包含从2阶段（生产/换型）到73阶段（详细子流程）的层次化标注；
4. 学习曲线校正：记录5轮完整换型矩阵以量化操作员熟练度影响（图8）。

研究结果

数据不平衡性分析
Label_03标注显示换型数据点（52,026条）是生产阶段的2.3倍（图4），这种不平衡源于实验设计的单件流（Lot size=1）特性。Label_10分析进一步揭示门开关（Phases 1,12,14等）等短暂操作仅占0.8%，而NC代码执行（Phase 26/40）占比达28.7%（图6），为样本加权策略提供依据。

学习曲线效应验证
首轮换型矩阵耗时较后续轮次平均长37%（图8），如"C→B"换型从215分钟降至142分钟。这种经验曲线（Experience Curve）效应证实：即使经过培训，实验室工程师的换型效率仍显著低于产业工人，建议建模时剔除前两轮数据或进行时序插补。

制造过程建模潜力

1. 时序分类：Label_08的12相位结构（表5）可支持LSTM等模型识别"B→A"与"C→A"换型的特征差异；
2. 能耗预测：主轴电流（Current）、调制深度（Modulation depth）等动态参数与G代码指令的关联建模；
3. 异常检测：标注的10次非计划中断（Label_06）为构建过程失控预警系统提供基准。

结论与展望
该研究创建的3.8GB数据集（Zenodo: 10.5281/zenodo.14094887）首次实现五轴铣削全生命周期数据的标准化采集，其创新性体现在：

1. 工程价值：通过换型矩阵量化序列依赖性设置时间（Sequence-dependent setup times），为ERP系统（如SAP）提供精确的产能规划依据；
2. 方法论突破：提出的73阶段标注体系（Label_01）突破传统"生产-换型"二分法，支持从宏观调度到微观动作的多尺度分析；
3. 人机交互研究：170维特征空间包含扭矩（Torque）、位置误差（Position errors）等操作员行为间接指标，为数字孪生（Digital Twin）构建提供新范式。

未来研究可沿三个方向拓展：一是将实验室数据与产业现场数据（如作者此前发布的13会话数据集）进行迁移学习；二是开发基于注意力机制（Attention）的换型阶段自动分割算法；三是探索该框架在车铣复合等更复杂工艺的适用性。这项工作不仅填补了制造数据生态的关键空白，更为智能工厂的实时优化决策提供了基础性研究平台。