多源异构传感器信息融合框架：用于不同铣削条件下的智能在线聊天检测

《Knowledge-Based Systems》：Multi-source heterogeneous sensor information fusion framework for intelligent online chatter detection in different milling conditions

针对传统单传感器在线 chatter 检测精度不足的问题，本文提出一种多源异构传感器信息融合框架。通过小波包分解和逐次变分模态分解消除噪声与加工参数干扰，构建多阶段时空融合注意力网络（3M-STFANet）实现高精度 chatter 检测，实验验证其有效性。

　　在线切削颤振检测是智能制造系统中的关键技术，对于确保高质量和高效率的铣削加工至关重要。尽管已有研究开发了多种人工智能模型，用于自动识别切削颤振，但这些方法的准确性提升仍受到单一传感器信号的限制。因此，本文提出了一种多源异构传感器信息融合框架，旨在实现智能在线切削颤振检测。该框架通过融合来自不同传感器的信号，提取更全面的颤振特征，从而提高检测的准确性和可靠性。

在实际的铣削过程中，颤振是一种自激振动现象，发生在刀具与工件之间，主要影响加工效率和产品质量。传统上，颤振的预防通常依赖于离线预测方法，如稳定性图（stability lobe diagrams）或基于阈值指标的在线检测。然而，这些方法难以建立实时、准确且自主的颤振检测系统。随着智能制造的发展，未来的制造系统应具备智能功能，以实现敏捷和高效的生产，这要求系统能够实时分析信号数据。因此，数据驱动的智能颤振检测方法受到了研究人员的广泛关注。

智能在线颤振检测的实现依赖于对信号数据的实时监测和人工智能算法的应用，包括信号采集、特征提取和模型开发。目前，多种传感器信号已被用于在线颤振检测，例如力信号、振动信号、声音信号和机床内部电流信号。这些信号通常包含三个主要成分：与主轴旋转相关的强制振动成分、由再生效应引起的颤振频率成分，以及来自环境的随机噪声。在这些成分中，强制振动成分和随机噪声对颤振检测具有干扰性，因此需要在信号处理过程中进行去除。为此，研究者们采用了许多信号处理技术，如小波包分解（WPD）、集合经验模态分解（EEMD）、变分模态分解（VMD）和滤波方法，以预处理这些传感器信号并提取有效的颤振特征。

力信号在切削颤振检测中被广泛使用，并被认为是一种有效且稳定的信号来源。一些研究者通过VMD对力信号进行分解，提取敏感的颤振频率成分，并计算其能量熵作为颤振特征。然而，单一传感器信号的信息量有限，难以全面反映切削过程中的颤振情况，且容易受到背景噪声的干扰。此外，信号分解方法仍存在模态混叠（mode mixing）的问题，即不同频率成分可能被错误地分配到同一模态中，影响特征提取的准确性。如果强制振动成分未被有效过滤，提取的颤振特征可能会受到切削参数的影响，从而降低模型在不同切削条件下的适应性。

随着人工智能技术的发展，深度学习（DL）方法逐渐取代传统的机器学习（ML）方法，因为它们能够更有效地捕捉监控信号与切削状态之间的复杂非线性关系。例如，一些研究者设计了深度卷积神经网络（CNN）结构，用于在线颤振检测，以提取多尺度的抽象特征。此外，还有研究者将CNN与生成对抗网络（GAN）结合，以解决模型训练过程中数据不足的问题。然而，尽管深度学习方法在颤振检测中表现出色，但许多研究仍存在数据泄漏（data leakage）的问题，即训练集和测试集的切削条件相同，这与实际工程应用不符。同时，多传感器信号相比单一传感器信号能够提供更全面和详细的颤振信息，因此，多源信息融合在提高颤振检测的准确性和可靠性方面具有巨大潜力。

本文提出了一种多源异构传感器信息融合框架，旨在解决当前方法中存在的多个问题。首先，为了应对单一传感器信息不足的问题，本文设计了一种基于力和振动信号的异构传感器信号处理策略。通过小波包分解（WPD）和连续变分模态分解（SVMD）的结合，对振动信号进行预处理，以有效去除噪声并分离出颤振频率成分。这一策略能够在不引入信号失真的情况下，显著减少振动信号中的噪声干扰，同时避免切削参数对检测结果的影响。

其次，为了应对多源信息融合不足和深度学习网络对全局与局部特征处理不够同步的问题，本文提出了一种新型的多源、多阶段、多尺度时空融合注意力网络（3M-STFANet）。该网络由三个主要模块组成：多源信息融合（MSIF）模块、多阶段时空特征提取与融合（MSST）模块以及多尺度门控通道注意力（MSGCA）模块。MSIF模块负责在特征层面融合来自不同传感器的异构信号，以提取更全面的颤振特征。MSST模块则结合金字塔原理和时空融合网络（STFNet）层，全面提取全局和局部的时空特征。MSGCA模块则通过关注不同通道之间的互相关信息，进一步优化特征提取的准确性。

此外，为了确保模型在实际工程应用中的有效性，本文对数据集进行了系统性的划分，使得在相同切削条件下采集的信号数据不会同时出现在训练集和测试集中。通过交叉验证的方式，对所提出的框架进行了多场景下的性能评估，验证了其在不同切削条件下的适用性和可靠性。

在实验设置和数据采集方面，本文采用了垂直数控机床（Mike CNC-400DBS-S3）进行多参数切削试验，以验证所提出框架的有效性。实验中使用的工件为Al6061铝合金块，尺寸为140×140×15mm，加工工具为无涂层三刃平端铣刀。通过安装三轴测力仪和单轴加速度计，采集了力和振动信号。这些信号随后经过预处理，以提取有效的颤振特征。

在多传感器信号预处理和分析阶段，本文采用了所提出的异构传感器信号处理策略，对力和振动信号进行处理，以减少振动噪声并去除切削参数对颤振检测结果的干扰。通过时间-频率分析，可以观察到原始力和振动信号的特性存在差异。由于力信号对切屑和噪声的干扰相对较小，因此在颤振检测中具有更高的稳定性。然而，振动信号由于其高频率特性，容易受到噪声的影响，因此需要更精细的预处理方法。

通过实验验证，本文提出的异构传感器信号处理策略能够有效降低噪声成分，并减少切削参数对检测结果的影响。在多源信号融合过程中，MSIF模块能够将不同传感器的信号在特征层面进行融合，从而提高特征的全面性和准确性。MSST模块则通过多阶段的时空特征提取，能够更全面地捕捉切削过程中的动态变化。MSGCA模块则通过关注不同通道之间的互相关性，进一步优化特征提取的效率和精度。

此外，本文还通过交叉验证的方式，对所提出的框架进行了多场景下的性能评估。实验结果表明，该框架在不同切削条件下均能提供更准确和可靠的检测结果，相较于传统方法具有显著优势。通过系统性的数据划分，本文确保了模型在训练和测试阶段的数据独立性，从而提高了其在实际应用中的泛化能力。

本文的研究成果不仅为智能在线颤振检测提供了新的技术路径，还为未来智能制造系统的发展提供了重要的理论支持和实践指导。通过融合多源异构传感器信息，并结合深度学习网络的优势，本文提出的框架能够有效解决当前方法中存在的多个问题，如数据泄漏、模态混叠以及对全局与局部特征处理不足等。这些改进不仅提升了颤振检测的准确性和可靠性，还增强了系统在复杂切削条件下的适应性。

在作者贡献方面，本文的研究工作由多位作者共同完成。Liangshi Sun负责撰写原始稿件、审阅与编辑、概念设计、验证和方法论。Xianzhen Huang负责监督研究、撰写审阅与编辑、资金获取和数据管理。Zhiyuan Jiang和Jiatong Zhao负责方法论设计、验证和监督工作。Xu Wang则参与了方法论设计和监督工作。所有作者均对研究的实施和结果的分析做出了重要贡献。

最后，本文作者声明不存在可能影响研究工作的竞争性利益关系。此外，本文的研究得到了多个基金的支持，包括国家自然科学基金、辽宁省应用基础研究计划和中央高校基本科研业务费。这些支持为研究的顺利进行提供了重要的保障，也为未来相关研究的开展奠定了基础。