基于多通道信号融合与机器学习的硬质零件加工表面质量监测与预测方法研究

为解决硬质零件加工过程中表面粗糙度实时监测难题，研究人员开展了基于振动与声音信号多传感器融合的机器学习预测模型研究。通过对比TDA、PSD、SSA和WPT四种信号处理方法与七种回归模型组合性能，发现WPT+k-NNs组合在两项独立案例研究中均实现最高预测精度（>96%）和R2值（>0.91）。该研究为智能制造中的在线质量监控系统开发提供了方法论指导。

　　

在精密制造领域，硬质零件车削加工的表面粗糙度直接影响产品疲劳强度、摩擦系数等关键性能指标。传统接触式测量方法存在滞后性高、干扰工艺流程等问题，而现有基于单一传感器的间接监测方法又面临预测精度不足、泛化能力有限等挑战。针对这一行业痛点，瑞典皇家理工学院（KTH Royal Institute of Technology）的研究团队在《Engineering Applications of Artificial Intelligence》发表了一项创新研究，通过融合多通道传感信号与机器学习技术，构建了一套高精度的表面质量监测系统。

研究团队设计了两组独立案例实验，分别在SMT Swedturn 300和Okuma LB300-M车床上采集了振动（三轴）与声音信号，结合四种信号处理方法（时域分析TDA、功率谱密度PSD、奇异谱分析SSA、小波包变换WPT）提取特征，并创新性地构建了三种传感器融合场景：仅进给方向振动（F_150_270）、三轴振动融合（F_T_R_150_270）以及振动与声音全融合（F_T_R_S_150_270）。通过贝叶斯优化调参的七种机器学习模型（决策树DTR、支持向量回归SVR、k近邻k-NNs、梯度提升GBR、随机森林RF、极端随机树ET、人工神经网络ANN）被系统评估，并首次引入非参数核密度估计（NPKDE）方法量化预测区间（PI）。

关键技术亮点包括：1）采用WPT和SSA实现信号时频域特征提取；2）基于主成分分析（PCA）的多源传感器特征融合；3）集成GP-Hedge策略的贝叶斯超参数优化；4）创新性应用PICP（预测区间覆盖概率）、PINAW（归一化平均宽度）、CRPS（连续排序概率得分）三项指标量化模型不确定性。

研究结果揭示多项重要发现：在信号处理方法维度，WPT表现最优，其与k-NNs组合在案例1中达到99.96%平均准确率和1.00的R²值，SSA次之；在传感器融合方面，全融合场景（F_T_R_S）相较基线（仅进给方向振动）使k-NNs模型在两项案例中的R²分别提升0.30和0.44；就模型性能而言，k-NNs和SVR表现最佳，而DTR稳定性最差，其在PSD方法下的R²低至0.44。不确定性分析显示，WPT处理的k-NNs模型PI归一化宽度（PINAW）最低达0.1%，显著优于其他组合。

这项研究的重要意义在于：首次系统评估了信号处理方法、传感器融合策略与机器学习模型的协同效应，为工业现场提供了可落地的技术方案——推荐采用WPT信号处理+k-NNs模型+多传感器融合的组合策略。该方法克服了传统监测系统依赖人工参数调优的缺陷，通过数据驱动实现了μm级表面粗糙度的实时预测，为智能工厂的预测性质量管控提供了新范式。研究团队特别指出，未来可扩展应用至铣削、钻削等工艺，并探索深度学习模型在跨工况泛化能力方面的潜力。