《JOURNAL OF MANUFACTURING SYSTEMS》：Physics-data fusion multi-modal deep learning for spindle current prediction in digital twin-driven machining state perception
编辑推荐：
•提出了一种面向实时加工状态感知的一种多域数字孪生架构。•多模态输入整合了加速度信号、CWE几何特征和STEP-NC语义信息。•条件双头PINN将数据驱动模式与主轴动力学相协调，有效缓解了分布外场景中的数值漂移问题。•实验结果表明，在各种加工工况下，该方法具有优越的泛化能力，
- •
提出了一种面向实时加工状态感知的一种多域数字孪生架构。
- •
多模态输入整合了加速度信号、CWE几何特征和STEP-NC语义信息。
- •
条件双头PINN将数据驱动模式与主轴动力学相协调，有效缓解了分布外场景中的数值漂移问题。
- •
实验结果表明，在各种加工工况下，该方法具有优越的泛化能力，R2 > 0.95。
引言
在智能制造时代，准确的加工状态监测对于智能数控加工至关重要。切削力、主轴电流等关键工艺变量直接反映了刀具与工件之间的热-力交互作用，是工艺监测与优化的基本指标 [1]。准确预测这些变量能够实时表征加工条件，支持故障检测，并有助于识别颤振 [2] 和刀具磨损 [3] 等现象。此外，预测的主轴电流可为自适应加工提供反馈，实现工艺参数的动态调整，从而提升加工质量与效率 [4]、[5]。然而，传统传感器本身无法有效进行异常检测，因此需要算法方法来处理数据并识别异常状态。因此，主轴电流的有效监测与预测已成为智能数控系统中的关键组成部分。
振动信号和主轴电流表征了加工过程的不同方面。振动信号对结构动力学和瞬态切削响应高度敏感，而主轴电流则与主轴转矩和切削载荷密切相关，可作为加工载荷和切削力变化的间接指标。因此，这两种信号不应被视为具有普遍优劣关系的替代品。本研究中，振动信号提供互补的高频动态信息，而主轴电流则被选为所提出多模态建模框架中与载荷相关的预测目标。
传统经验模型和机理模型在简单加工条件下能提供合理的预测，但在复杂场景中，由于非线性交互和多种影响因素的作用，其性能会显著下降 [6]。数据驱动的机器学习方法可以从多模态输入中提取模式 [7]、[8]、[9]，包括加速度信号、STEP-NC语义特征和仿真CWE几何特征。然而，纯数据驱动模型可能忽略底层物理原理，从而限制其在复杂环境中准确泛化和监测加工状态的能力。为此，物理-数据融合混合框架结合了物理信息分支（嵌入加速度场物理引导和主轴动力学）和数据驱动分支（从多模态输入中提取时空特征） [10]、[11]。自适应损失函数平衡两个分支的贡献，利用物理启发式引导学习，增强在不同加工条件下的监测可靠性。
将此类混合框架应用于实际加工需要一个能够整合多源信号并提供实时反馈的环境。数字孪生平台能够同步采集加速度数据、STEP-NC语义元数据和CWE几何特征，便于实时处理和模型评估。这些平台实现了加工状态的持续监测，并为动态工艺调整提供反馈。然而，在数字孪生环境中，数据同步、计算效率和及时预测等方面仍存在挑战。解决这些挑战是实现可靠实时监测和自适应工艺优化的必要条件。
为解决直接切削力建模的局限性并支持实时加工状态感知，本研究提出了一种混合深度学习框架用于主轴电流预测，并将其集成于数字孪生仿真平台中。该框架以更易获取且更稳定的主轴电流信号作为实时工艺监测的关键指标，同时融入物理启发式以提升预测精度和泛化能力。
所提出的条件双头PINN位于数字孪生框架的核心。序列头从多模态输入中提取高层时空特征——包括加速度信号、STEP-NC语义元数据和CWE几何特征——以执行迭代残差回归。并行地，点头利用注意力池化机制聚合全局加工上下文以实现局部目标预测。为确保物理一致性，物理信息模块将主轴动力学和加速度场约束直接嵌入网络拓扑中作为软结构正则化器。这两个头通过自适应多目标损失函数协同工作，平衡经验数据拟合与物理启发式。该策略确保了条件感知的融合，增强了预测可靠性和物理一致性，特别是在系统遇到变化或未见过的加工条件时。
本研究的主要贡献总结如下：
- (1)
提出了一种基于数字孪生的监测架构，实现了多源信号的实时采集、同步和可视化，在物理加工过程与其数字对应体之间提供了无缝闭环。
- (2)
开发了一种综合多模态表征方法，通过整合高频传感器数据、STEP-NC语义元数据和CWE几何信息，确保对复杂时空加工环境的整体感知。
- (3)
引入了一种新型条件双头PINN模型，利用基于Transformer的注意力机制和物理引导分支，自适应地协调数据驱动模式与主轴动力学，显著提升了模型的鲁棒性。
- (4)
在工艺参数外推场景下的实验验证证实了该框架优越的泛化能力，即使在训练数据稀疏或工艺条件处于初始分布之外时，仍可实现高保真的主轴电流预测。
本文其余部分组织如下。第2节回顾了工艺变量预测、物理信息建模和多模态数据融合的相关工作。第3节介绍了基于数字孪生的平台设计，详述了多模态输入的采集与预处理。第4节提出了条件双头PINN框架，描述了双头架构和自适应融合策略。第5节报告了实验结果并讨论了外推场景下的预测性能。最后，第6节总结了研究并展望了未来研究方向。
章节摘要
数据驱动深度学习用于数控预测
近年来，由于其强大的非线性表征能力，深度学习已被广泛应用于数控加工工艺建模 [12]、[13] 和状态预测任务 [14]、[15]。加工信号（如主轴电流）通常表现出明显的时间依赖性 [16] 和源自底层物理结构的空间模式 [17]，这些模式难以仅用数学或物理模型来捕捉。数据驱动方法，包括CNN [18]、[19]、LSTM
预测平台框架
本节介绍了一种用于主轴电流预测和加工状态感知的数字孪生集成仿真架构，为后续数据驱动建模和物理信息融合提供了统一的数据源和操作平台。该架构遵循三域分层结构，包括物理域、数字域和认知域，实现数据采集、模型训练和状态预测的协同实施。物理域是
方法
本节详述了针对数控加工过程时间序列回归所提出的条件双头PINN。核心方法论全面整合了动态工艺特征序列、历史目标状态和静态加工元数据。通过采用多尺度时间编码器与双头预测架构相结合，并施加物理信息约束，如图3所示的所提框架同时增强了预测精度和跨条件
实验
所提出的模型使用来自实际制造过程中部署的数字孪生仿真平台收集的真实加工数据进行验证。该平台集成了数控加工、STEP-NC仿真、同步信号采集和主轴电流预测，为评估所提框架提供了实验环境。
讨论与未来工作
本研究建立了一种包含物理层、虚拟层和认知层的多域数字孪生架构，以促进数字孪生框架内的集成感知、分析和状态反馈。该框架通过整合异构输入，包括高频主轴加速度、STEP-NC语义元数据以及CWE几何描述符（如投影面积和参与长度），提供了切削过程的整体时空表征。这种集成方法
CRediT作者贡献声明
薛松源：撰写——原稿，可视化，验证，软件，方法论，形式分析，数据管理，概念构思。肖文雷：撰写——审阅与编辑，监督，资源，项目管理，方法论，资金获取。邱天泽：撰写——审阅与编辑，可视化，软件，方法论，形式分析，数据管理。张煌：形式分析，数据管理。柴子川：撰写——审阅与编辑，方法论，数据管理。张凯瑶
生成式AI及AI辅助技术在手稿准备过程中的声明
在本文准备过程中，作者使用了Gemini来优化学术语言并改善手稿的语法结构。在使用该工具/服务后，作者对内容进行了审查和编辑，并对发表文章的内容承担全部责任。
利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性财务利益或个人关系。
致谢
本工作得到了工业和信息化部航空装备数字化与智能制造技术重点实验室实验平台的支持。作者感谢实验室在研究期间提供的学术环境和指导。
薛松源|肖文雷|邱天泽|张煌|柴子川|张凯瑶|赵刚|刘强
