一种结合了机制数据融合与迁移学习的工具磨损预测模型,用于机床数字孪生技术

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》:A tool wear prediction model integrating mechanism-data fusion with transfer learning for machine tool digital twins

【字体: 大 中 小 】 时间:2026年01月10日 来源:ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING 11.4

编辑推荐:

  王增辉|周光辉|张超|王文豪|常丰田|于永瑞|李坤|赵丹 西安交通大学机械工程学院,中国西安710049 **摘要** 数字孪生技术实现了高保真数据集成、动态状态预测以及加工过程中的自适应决策。一个稳健的刀具磨损监测(TWM)模型对于确保数字孪生系统中的数据准确性以

  王增辉|周光辉|张超|王文豪|常丰田|于永瑞|李坤|赵丹
西安交通大学机械工程学院,中国西安710049

**摘要**
数字孪生技术实现了高保真数据集成、动态状态预测以及加工过程中的自适应决策。一个稳健的刀具磨损监测(TWM)模型对于确保数字孪生系统中的数据准确性以及提供准确的刀具磨损状态评估至关重要。然而,现有方法通常依赖于理想化的假设或高质量的数据集,同时忽略了物理磨损机制,导致在变化的加工条件下物理一致性较弱且泛化能力有限。为了克服这些挑战,本研究提出了一种将物理信息高斯过程回归与迁移学习相结合的TWM模型,用于铣削过程的智能监测。具体而言,从监测信号中提取多域特征,并通过综合相关性分析构建高相关性特征子空间。然后,开发了一个基于物理的模型并将其嵌入到高斯过程回归框架中,以提供刀具退化的先验知识。此外,采用了两阶段迁移学习策略来促进有效的跨条件知识适应,显著提高了模型的泛化能力。最后,该方法在PHM2010数据集和铣削实验中得到了验证。实验结果表明,该方法在不同加工条件下的均方根误差(RMSE)在0.20 μm到0.63 μm之间,平均绝对误差(MAE)在0.14 μm到0.39 μm之间,证实了其预测准确性和跨条件的适应性。所提出的模型为数字孪生监测系统提供了可靠的刀具磨损数据,有助于智能决策和维护。

**引言**
数字孪生作为提升智能制造系统的关键技术[1,2],促进了物理空间与网络空间之间的实时交互和深度集成,从而实现了多尺度和多物理场的仿真、预测和优化[3,4]。由于其先进的建模和推理能力,数字孪生已广泛应用于工艺规划[5]、制造过程控制[6]、设备健康管理[7]和维护决策[8]等领域。它显示出在提高制造系统的透明度、适应性和可靠性方面的巨大潜力[9],并被广泛认为是推动制造业转型和升级的核心技术[10]。
在数控(NC)加工领域,数字孪生通常通过构建切削工具、夹具和工件等关键组件的虚拟模型,并融合多传感器数据来实现对加工过程的动态感知和分析[11,13]。该框架不仅支持刀具磨损监测(TWM)[14,15]、故障诊断[16]和预测性维护[17],还有助于抑制颤振和实时误差补偿,从而提高加工精度和生产效率。近年来,这方面的研究兴趣日益增加,例如一些研究利用实时监测数据开发了设备和加工环境的虚拟模型来预测工件表面质量[18,19];其他研究则专注于传感器优化和多传感器信号处理,应用机器学习模型来预测刀具磨损状态[20,21]。这些努力表明,基于数字孪生的智能监测方法在数控机床中具有广阔的应用前景。
然而,数字孪生的有效实施依赖于对物理过程的精确感知和准确建模,其中监测模型是物理空间与虚拟空间之间的关键桥梁[22]。一个可靠的监测模型不仅为数字孪生系统提供高质量的反馈数据,还支持工艺参数的自适应调整和设备健康诊断[23]。在TWM中,准确的监测模型可以为操作员提供关于刀具磨损状态的实时和可信信息,这对于确保工件质量、提高设备利用率和降低维护成本至关重要[24]。近几十年来,TWM方法一直在不断研究。早期基于切削理论和机制开发的物理模型虽然具有很强的可解释性,但在复杂加工条件下的适应性有限[25,26]。随着传感和计算技术的进步,数据驱动方法逐渐成为主流,通过提取多域特征并与机器学习结合,建立了磨损标签与特征之间的非线性映射,从而提高了预测精度。秦等人[27]提出了一种基于堆叠稀疏自编码器(SSAE)的刀具磨损识别和预测方法,实现了刀具磨损状态的准确分类和回归;马等人[28]将卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合,有效捕捉了时空特征并提高了预测性能。在此基础上,最近的研究越来越多地致力于将物理机制与数据驱动模型相结合,形成了平衡预测性能和物理一致性的混合方法[24,29]。朱等人[30]将三种经典磨损机制纳入高斯过程回归(GPR)模型的均值函数中,以提高外推稳定性;李等人[31]提出了一种利用物理先验输入和约束损失的物理信息元学习框架,提高了刀具磨损预测的准确性和可解释性。然而,现有的混合方法仍缺乏明确的物理建模机制,在新的加工条件下的适应性有限。此外,大多数现有模型过于强调预测精度,而对不确定性量化关注不足,这限制了它们在实际加工场景中的应用[32]。因此,开发一个结合物理机制和数据驱动学习优势的可靠TWM模型至关重要,以确保预测精度、可信度和泛化能力,从而为制造系统中的智能决策和维护提供准确和实时的磨损数据。

**数字孪生支持的智能制造**
数字孪生已成为智能制造的关键驱动力,实现了物理对象与其虚拟模型之间的实时映射和双向交互[6]。通过集成先进的传感技术、高保真建模和人工智能,数字孪生在整个产品生命周期中增强了系统监测、预测分析和决策支持。陶等人[2,8]系统总结了数字孪生架构。

**基于数字孪生的CNC加工过程磨损预测框架**
本节介绍了本研究的核心——基于数字孪生的CNC加工过程监测方法。3.1节概述了数字孪生框架的总体架构和定义,3.2节详细介绍了具体实施步骤。

**PiTL-GPR中的关键模块**
本节介绍了所提出的TWM方法的三个关键模块。这些模块协同工作,确保系统的稳健性和高精度。具体来说,本节将依次详细介绍离线特征提取和相关性分析、实时物理信息GPR建模以及在线两阶段迁移学习(包含知识适应)的实现原理。

**数据集的描述和设置**
为了评估所提出方法的性能,采用了PHM2010数据集进行对比分析。该数据集的CNC平台和加工参数如图5所示,包括以下四个组成部分:
(I)用于执行铣削任务的R?ders Tech RFM760 CNC铣床;
(II)由Kistler电荷放大器和NI DAQ卡组成的在线信号采集系统,用于实时采集切削力、振动和声发射(AE)信号。

**结论**
为了满足CNC铣削数字孪生系统的智能监测需求,本研究开发了一种基于物理信息和迁移学习的刀具磨损预测模型。在统一的GPR框架内,该方法结合了物理一致性约束、跨条件适应性和不确定性量化,从而为CNC铣削的实时监测和智能决策提供了可靠的刀具磨损预测。

**作者贡献声明**
王增辉:撰写——原始草稿、软件开发、方法论设计、概念化;
周光辉:验证、监督、概念化;
张超:撰写——原始草稿、监督、方法论设计;
王文豪:软件开发、概念化;
常丰田:验证、监督;
于永瑞:撰写——原始草稿、验证;
李坤:验证;
赵丹:软件开发。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号