基于TRMKAE和MSNTL的在线表面粗糙度监测技术，在时变条件下应用于薄壁铣削过程

《JOURNAL OF INTELLIGENT MANUFACTURING》：Online surface roughness monitoring in thin-wall milling under time-varying conditions based on TRMKAE and MSNTL

在线表面粗糙度监测方法研究，提出基于TRMKAE与MSNTL的多传感器融合方案，利用加速度、声发射和麦克风信号处理薄壁零件加工时变耦合因素，通过KAN网络实现7.23% MRE和11.7ms预测速度。

　　

摘要

在线表面粗糙度监测为确保薄壁零件的质量提供了一种有效的方法。在薄壁铣削过程中，表面粗糙度极易受到时间变化因素的耦合影响，这些因素包括工件厚度、工艺参数和切削位置等。然而，在传统的监测方法中，这些因素通常被忽略，从而导致预测精度不足。为了解决这个问题，本文提出了一种基于三重正则化多核自编码器（TRMKAE）和最大相似网络迁移学习（MSNTL）的方法，利用加速度、声发射和麦克风信号来监测变铣削条件下的薄壁零件表面粗糙度。首先，通过模量最大值方法对多传感器信号进行预处理，提取多域特征。随后，为了突出与薄壁工件表面粗糙度密切相关的非线性特征，建立了一个TRMKAE来融合特征，将提取的多域特征从低维空间映射到高维空间。此外，提出了一种基于Jensen-Shannon散度（JSD）的MSNTL方法，以确保TRMKAE在时间变化条件下的非线性特征提取能力。通过最小化两个域之间的JSD，可以轻松地将源域的知识转移到目标域。最终，将敏感特征输入到Kolmogorov–Arnold网络（KAN）中进行表面粗糙度监测。为了验证所提出方法的有效性，对PMMA薄壁零件进行了球头铣削实验，结果表明该方法无论操作条件如何变化，都具有优异的准确性和通用性。所提出的在线监测方法的平均相对误差（MRE）低至7.23%，单次预测时间仅为11.7毫秒，其预测精度高于传统机器学习方法，并且处理速度比深度学习方法更快。