在机器人碳纤维增强塑料（CFRP）带打磨过程中，基于物理约束的双路径声发射监测技术用于材料去除量及表面粗糙度的测量

《CIRP Journal of Manufacturing Science and Technology》：Physics-constrained dual-path acoustic-emission monitoring of material removal and surface roughness for robotic CFRP belt grinding

　　• 双路径网络共同预测碳纤维增强塑料（CFRP）磨削过程中的材料去除深度和表面粗糙度。
• 嵌入式的Preston先验能够在工具磨损漂移的情况下稳定去除预测。
• 因子消融：物理机制控制去除过程，梯度自适应增强（AE）控制粗糙度。
• 在所有19个保留的折叠样本中，去除精度保持不变；粗糙度仅在校准范围内受到影响。
• 预训练分区避免了少量样本数据中的在线对齐不稳定性。

**引言**
加工过程中的质量监测是实现自主和零缺陷制造的关键技术，用于过程和机载监测的传感原理范围不断扩大[1]。其中，声发射（AE）由于对工具-工件界面微骨折、摩擦和塑性变形产生的瞬态弹性波敏感，特别适用于接触密集型工艺[2][3]。基于AE的监测已经在碳纤维增强聚合物加工中得到应用，因为这种加工过程中产生的损伤难以通过其他方法检测[4]。虽然加工AE信号在宽频率范围内携带丰富的诊断信息[5]，但从AE频谱图中提取可靠的质量预测特征仍然是一个挑战，尤其是当频谱图显示出低类间对比度的宽带能量时[6][7]。在航空航天结构组件的CFRP加工中，由于加工过程中产生的亚表面损伤在后期检查中不可见，这种实时敏感性尤为重要[8][9][10]。在跨批次应用时，问题更为复杂：随着磨料带的磨损以及环境和材料条件的变化，AE分布会漂移，因此假设统计特性固定的特征提取流程变得特定于分布而不是特定于工艺，无法在不同批次之间进行推广[11][12]。来自迁移学习的领域适应方法为源域和目标域之间的特征对齐提供了一种原理性方法[13][14]。然而，传统的领域对抗神经网络和相关性对齐方法需要足够的样本多样性才能可靠地估计分布统计特性[15][16]。在信号特征数据集的少量样本情况下，这种多样性往往难以获得，因为典型的数据收集活动可能产生的标记样本不到100个。基于Transformer的方法虽然在许多跨领域任务中表现强大，但在这种受限场景下面临数据量的限制[17]。

除了数据稀缺之外，纯数据驱动的模型缺乏制造工程师信任和部署监测系统所需的物理可解释性。对于加工操作而言，已建立的物理关系提供了有价值的先验知识，可以规范模型行为并提高泛化能力。例如Preston方程[18]和表面粗糙度指标之间的已知比例关系[19]，在数据稀缺的情况下为网络行为提供了结构上的先验约束[20][21]。实际上，由于无法将监测模型跨批次迁移，因此需要为每个新批次进行专门的重新校准，因此一个能够在最小化重新校准的情况下保持准确性的框架具有明显价值。为了解决这些问题，本研究提出了一种基于物理信息的信号处理框架，用于同时监测CFRP加工中的材料去除和表面粗糙度。其主要贡献是一个基本且可迁移的多指标过程监测原理：当制造过程的质量指标受不同尺度物理机制控制时，监测架构应将每个指标与特定于该机制的先验相匹配，而不是通过单一的共享表示来学习所有指标。我们通过受控消融（第6.1节）具体实现了这一原理，并将其构建为一个集成的、可部署的监测系统，而不仅仅是一个孤立的算法。该贡献在三个层面得到发展：

1. 一个受物理约束的双路径网络，能够从机器人CFRP带磨削的AE频谱图中同时预测材料去除深度和三个表面粗糙度指标（Ra、Rq、Rz）。传统的基于物理信息的监测模型通常将物理关系作为损失惩罚项，而这里的两种关系都纳入了架构：Preston项作为结构化输入提供给材料去除融合层，一个比率耦合头从共享的基分数生成三个粗糙度指标。使用70个训练样本时，数据保真度项可以轻易覆盖损失惩罚，而架构先验则提供了训练稳定的偏差。完整的因子消融分离了这两种路径的贡献，为目标受不同物理尺度控制的多指标监测提供了一个可迁移的设计原理。
2. 一种针对加工AE的基于梯度的频谱图增强（GPE）方法。标准的加工信号增强方法作用于幅度：百分位数掩蔽、小波阈值处理、基于峰度的分带选择。GPE则对频域梯度幅度进行阈值处理，因为绝对功率主要来自相对平坦的频谱密度的宽带微骨折能量，而诊断信息位于频谱过渡区。其贡献特别体现在表面粗糙度上：在相同的百分位数阈值下，GPE将跨批次粗糙度??2提高了5.4个百分点，而受嵌入物理机制主导的材料去除精度与简单增强方法相当。
3. 一种适用于小样本量的退火马尔可夫链分区（AM-DA）方法。传统的基于域适应的信号诊断方法在训练期间通过辅助损失来对齐分布，而AM-DA则在训练前仅使用加工参数而无需质量标签来优化分区，并通过覆盖惩罚来增加多尺度最大平均差异，以防止目标样本未得到支持。权重扫描表明，在这种样本量下，没有任何对齐权重既能对齐分布又能保持优化的稳定性，而这正是预训练分区所避免的。

该框架不仅在内部分布测试集上进行了评估，还在一个独立收集的、具有不同磨损状态、不同砂带和极端参数组合的测试集上进行了评估，并且预测结果还根据既定的物理合规性标准进行了验证，这种评估协议比传统的单保留法更为严格。由于该测试集包含15个样本，其??2估计的置信区间为±0.04–0.06，泛化能力主要基于在四个因素上的十九个留一水平交叉验证结果，跨批次分区起到了验证作用。

**本文的其余部分组织结构如下**：第2节回顾相关工作，第3节详细介绍所提出的方法论，第4节描述实验设置，第5节展示结果并进行全面的消融和比较研究，第6节讨论结果的意义和局限性，第7节对全文进行总结。

**段落摘录**
**基于频谱图的声发射分析信号处理**
声发射监测已成为加工过程中质量评估的成熟技术。早期方法侧重于从时间域或频率域的AE信号中提取标量特征，并将其与工艺结果相关联[2][22]。通过多域特征和顺序前向选择实现了对轮子磨损阶段的完整分类[23]，结合声学和视觉信号的集成学习提高了材料去除率。

**方法论**
提出的框架包括三个核心组件：基于梯度的频谱图增强和多尺度特征提取、用于跨批次对齐的退火马尔可夫链领域适应，以及一个基于物理的雙路径预测网络。图1提供了该框架的示意图。

**机器人加工系统和数据采集**
实验验证是在一个机器人带磨削系统上进行的，该系统被选为CFRP加工的代表性接触密集型工艺。该系统采用ABB IRB4400-60/1.96工业机器人，配备Cubitron? II 726 A磨料带和ATI Omega 160六轴力传感器。工件材料为尺寸为200 mm × 100 mm × 10 mm的CFRP块。控制四个加工参数：砂带粒度、砂带转速、法向力和进给速度。

**整体框架性能**
最佳模型在第6231个训练周期获得，之后附录D中的提前停止准则（耐心为2500个周期，仅基于??ta监测）终止了训练；图7中的学习曲线绘制到了10000个周期的预算范围以保持完整性。在这两个点之间，训练损失下降了24%，而??ta决定系数变化了+0.013和+0.023，这些变化在同一数据集内的分散范围内，并且完全在15个样本估计的置信区间内。

**框架组件的物理解释**
消融结果揭示了该框架实现高效跨批次监测的机制，这一机制而非任何单一主导组件是本研究的核心发现。两个质量指标由框架的不同部分负责。材料去除精度几乎完全由嵌入的Preston先验控制：去除物理项后，??ex?MR???2从0.956降至0.427，而粗糙度几乎不受影响（??ex?SR???2为0.889）。

**结论**
本研究提出了一个基于物理信息的框架，结合了基于梯度的频谱图增强、退火马尔可夫链领域适应和受物理约束的双路径预测，用于同时监测CFRP磨削中的材料去除和表面粗糙度。与未经增强的频谱图相比，该框架提高了11%的跨批次SR预测精度，并且在相同的80百分位数阈值下，其跨批次??2误差减少了5.4个百分点。

**作者贡献声明**
Yitong Qin：撰写——原始草案、可视化、验证、软件、方法论、调查、形式分析、数据 curation、概念化。
Sijie Yan：撰写——审阅与编辑、监督、资源管理、项目协调。
Zeyuan Yang：撰写——审阅与编辑、监督、方法论、概念化。
Quan Zheng：调查、数据 curation。
Han Ding：撰写——审阅与编辑、监督、项目协调、资金获取。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文所报告的工作。

Yitong Qin于2024年获得中国南京理工大学武器系统与工程学士学位，目前在中国武汉华中科技大学智能制造装备与技术国家重点实验室攻读机械工程博士学位。他的研究兴趣包括机器人加工、控制技术和人形机器人。