刀具磨损条件下质量保证自适应工艺参数优化方法

《Computers & Industrial Engineering》：Adaptive process parameter optimization method for quality assurance under tool wear

　　

•多源融合工艺知识图谱整合异构数据。
•知识嵌入的PINN确保物理一致的工具磨损识别。
•知识引导的强化学习实现工艺参数的自适应与自主优化。
•数控车削实验验证了所提框架的有效性。

## 引言

在现代大规模、高精度制造环境中（Wang等, 2021），保持产品质量，尤其是表面完整性，是一项基本要求。然而，关键切削部件的渐进性退化构成了影响系统稳定性和表面质量的动态扰动（Cheng等, 2022）。由此产生的尺寸偏差、材料浪费和非计划维护操作增加了运营成本（H. Liu等, 2022），并损害了制造效率和市场响应能力（Yang等, 2021）。在刀具磨损条件下维持一致质量的尝试受到传统传感器孤立数据（Kang等, 2025）和间歇性离线检查（Yuan等, 2023）的依赖限制。前者在多变量条件下连续表征磨损非线性演化的能力有限（Zhang等, 2021），而后者引入了测量延迟并可能中断生产连续性（Binali等, 2022）。因此，实际生产过程仍然严重依赖工艺人员预设的静态保守切削参数或基于经验的离线干预（Yoo等, 2024）。此类决策难以适应时变的刀具状态，并可能在刀具寿命后期增加表面质量波动的风险。因此，本研究聚焦于将实测刀具磨损状态与工艺变量、表面质量和可行参数调整关联起来。

此外，刀具磨损、参数调整与最终质量之间的因果规则通常隐式存储于生产数据和工程师经验中（Su等, 2025, Wang等, 2025）。现有数据管理方法难以将此隐性领域知识（DK）与时变生产观测相整合（Bao等, 2024）。因此，工艺知识在状态估计和参数决策中难以一致地追溯、验证和重用（Wen等, 2023）。因此，需要一种显式表征工艺概念、语义关系、证据来源和关系置信度的方法，以连接异构信息与下游质量保证模型。精密数控切削中的切削刀具在切削摩擦、热载荷和材料黏附的耦合效应下降级（Han等, 2025, Kunto?lu和Sa?lam, 2019）。由于这些机理存在非线性交互，纯数据驱动模型可能学到与已知工艺趋势不一致的统计关联，尤其在观测数据有限或分布不均时（Fang, Song, Li等, 2025）。渐进且表征不足的磨损会降低加工精度并增加生产异常风险（Gu等, 2023, C. Liu等, 2022）。在本研究所探讨的场景中，后刀面磨损宽度可作为实测刀具状态变量，而表面粗糙度是待预测和维持的质量响应。因此，技术挑战不在于替代现有磨损测量，而在于建立磨损状态、切削参数、切削力与表面粗糙度之间的条件关系，并利用该关系支持参数推荐（Gao等, 2025, Hou等, 2025）。将多源观测与显式领域知识和工艺一致性约束相结合，对于磨损感知质量保证仍然至关重要。

对于本研究所考虑的磨损感知质量优化问题，仍存在以下三个局限：

•面向质量决策的知识碎片化。多源生产数据、领域知识和专家规则使用异构表示，使得刀具状态、工艺参数、切削响应和产品质量之间的关系难以追溯和重用。这种碎片化限制了磨损感知参数优化的一致性输入和约束的构建。
•磨损条件下质量预测的工艺一致性不足。纯数据驱动模型可能拟合有限观测而不尊重进给量、切削力、切削深度和刀具状态的已知效应。这种不一致降低了下游参数优化中预测质量状态的可靠性和可解释性。
•磨损感知参数搜索的可行性和透明度有限。静态预设值无法响应变化的刀具状态，而无约束的数据驱动搜索可能提出不可行的参数组合。需要一种基于模型的决策机制来融入工艺边界和专家规则，同时平衡质量与加工效率。

本研究通过一种面向刀具磨损下质量保证的自适应工艺参数优化方法来解决这些局限。该方法建立了从知识组织、磨损条件质量预测到有界参数推荐的计算链。首先，通过本体建模构建多源融合工艺知识图谱（MSF-PKG），以组织异构工艺概念、语义关系、证据来源和可重用的领域知识（DK）。其次，知识嵌入的物理信息神经网络（K-PINN）在实测刀具条件下估计表面粗糙度。该预测器将归一化数据特征向量与从MSF-PKG检索的量化知识向量相结合，并在训练过程中引入工艺趋势和经验关系作为可微一致性正则化项。这些约束提供了切削知识与车削数据集中可用变量之间的任务特定接口。最后，知识引导的强化学习（K-RL）模型将切削深度和进给率调整建模为连续Actor-Critic决策问题。TD3用作具体的Actor-Critic实现，工艺边界和图推导的方向规则进入动作处理和奖励机制。所生成的推荐在规定的操作边界下于K-PINN代理环境中进行评估。

本文的贡献总结如下：
•用于磨损感知质量保证的可追溯MSF-PKG。定义了一套构建流程，用于提取和验证19个核心概念、接纳七种语义关系类型并选择数据支撑的特征。关系置信度更新、衰减、不活动、版本化和回滚操作进一步形式化，以支持受控的知识维护。
•用于磨损条件下表面粗糙度预测的可复现K-PINN。模型明确定义了数据和知识输入的构建、全连接架构、训练配置和加权目标函数。一阶进给方向项、经验力-刀具状态-粗糙度关系、软磨损阶段排序项和深度调制的输出非负项在不引入未指定控制PDE的情况下引入了工艺一致性。输出为实测后刀面磨损条件下的预测表面粗糙度。
•有界K-RL参数推荐方法。K-RL保留Actor-Critic框架并使用TD3进行切削深度和进给率的连续调整。状态、动作缩放、材料去除率指标、奖励系数、训练设置和预投影边界处理均已明确指定，并通过配对消融实验考察其作用。

## 论文其余部分组织如下：

第2节回顾相关工作。第3节介绍整体框架。第4节描述MSF-PKG、K-PINN和K-RL方法。第5节报告数控车削实验并讨论结果。第6节总结发现并展望未来工作。

## 片段：加工工艺中的异常识别与状态监测

加工工艺监测日益采用多源信息融合来组织异构传感器和工艺数据（Jiang等, 2026, X. Li等, 2022）。数字孪生进一步将多源集成扩展到互联资产和资源之间的协同维护（Ren, Cheng, Zhang & Tao, 2024）。传统信号处理方法包括小波变换（WT）（Afia等, 2025, Li等, 2021）和经验模态分解（EMD）（Cheng等,

## 框架图

图1总结了所提出的刀具磨损下自适应工艺参数优化框架。它包含三个模块：

（1）多源融合工艺知识图谱的构建与维护。MSF-PKG通过对齐切削数据、工艺文档、物理或经验关系和专家规则中的术语和证据来解决语义异构性问题。自下而上的源域提取与自上而下的任务分解相结合，获得19个核心概念。

### 多源融合工艺知识图谱的构建

本节描述多源融合工艺知识图谱（MSF-PKG）的构建与维护。该图谱在统一本体中对齐切削观测、工艺规范、质量测量和文档化工艺经验，并为后续K-PINN和K-RL模块提供共享术语、关系证据和工艺规则。设D表示完整的异构源数据集合。根据信息来源和功能角色，D被分类...

### 案例研究

本章使用Canal和Borille（2021）报告的开放访问数控车削数据集评估所提框架。案例涉及AISI H13工件材料的车削加工。源观测数据从六把刀具采集，覆盖八个加工位置和三个实测平均后刀面磨损宽度，VBB∈{0, 0.1, 0.3} mm。经数据增强后，实验数据库包含600多个样本。在数据集中，字段'TCond'表示实测VBB...

## 结论与未来工作

本研究提出了一种在刀具磨损下通过整合MSF-PKG、K-PINN和K-RL模块实现质量保证的自适应工艺参数优化框架。MSF-PKG组织了异构工艺实体、语义关系、证据来源和可重用的领域约束。K-PINN通过结合监督数据拟合与显式定义的知识启发性正则化器，在实测后刀面磨损条件下估计表面粗糙度。K-RL将...

## CRediT作者贡献声明

Zhida Kou：原创草稿撰写、验证、软件、方法论、调查、形式化分析、概念化。
Mengxin Chen：审稿与编辑、原创草稿撰写、可视化、验证、数据管理、概念化。
Cheng Zhang：审稿与编辑、监督、资源。
Yingfeng Zhang：审稿与编辑、监督、资金获取。

## 伦理声明

作者确认本文稿符合《计算机与工业工程》的伦理和出版标准。

## 利益冲突声明

作者声明没有已知的可能影响本文工作的竞争性经济利益或个人关系。

Zhida Kou | Mengxin Chen | Cheng Zhang | Yingfeng Zhang