《ADVANCED ENGINEERING INFORMATICS》：A hybrid model for tool wear monitoring via physics-based and data-driven utilizing unscented Kalman Filter
编辑推荐：
本文提出一种基于无迹卡尔曼滤波的混合工具磨损预测模型，整合物理模型与数据驱动方法，通过特征选择和动态加权提升预测精度，实验表明平均RMSE降低46.5%-80.45%，R2值达99.15%以上。
冯春华|叶辉|李卫东|黄志文|李明|陈家琪|徐迅
中国上海科技大学机械工程学院
摘要
工具磨损监测（TWM）对于确保金属切削过程中的零件加工质量至关重要。目前的预测方法大致可以分为三类：基于物理的模型、数据驱动的模型和混合模型。虽然基于物理的预测方法容易产生较大的建模误差且准确性较低，但数据驱动的方法尽管具有较高的准确性，却严重依赖于输入数据的质量，并且在复杂的工作条件下可靠性不足。现有的混合模型主要关注单一或特定的工具磨损机制，这限制了它们对多样化和复杂实际需求的适应能力，阻碍了全面而可靠的工具磨损预测。本文提出了一种结合基于物理和数据驱动模型的混合工具磨损预测方法，以解决上述问题。首先，基于磨损的物理模型构建了磨损机制（包括磨料磨损、粘附磨损和扩散磨损）。然后对TWM信号进行预处理和多域特征提取。接着应用斯皮尔曼相关系数（SCC）进行特征选择，以消除干扰和冗余，从而提高监测的效率和准确性。此外，还构建了利用BiLSTM-注意力机制（BiLSTM-AM）的数据驱动模型。随后，采用无迹卡尔曼滤波器（UKF）逐步有效地整合基于物理模型和数据驱动模型的预测结果，从而实现更精确的工具磨损预测。最后，我们在不同的工作条件下进行了铣削实验，以验证所提方法的性能和准确性。实验数据分析表明，与单独使用基于物理的模型或数据驱动的模型相比，所提出的混合模型平均RMSE分别降低了46.5%、80.45%和55.11%，平均MAE分别降低了46.75%、80.90%和57.22%。同时，三个数据集的R2值分别提高到了99.15%、99.31%和98.85%。
引言
作为机床的末端执行器，切削工具在加工系统中最容易发生磨损和失效。其磨损程度直接影响加工过程的关键方面，如产品质量、操作效率、能源消耗和总体成本。在切削过程中，工具与工件以及工具与切屑之间的持续摩擦不可避免地会导致工具磨损或损坏[1]。在加工难以切割的材料时，这一现象尤为明显，因为工具的磨损速率会显著加快。随着工具的严重磨损，切削力、振动和切削温度的增加会对工件的尺寸精度和表面质量产生负面影响[2]。在极端情况下，严重的工具失效可能导致零件报废、机器损坏和其他重大损失[3]。采用保守的工具更换策略可能会导致工具剩余使用寿命（RUL）的浪费以及因过早更换工具而造成的不必要的停机时间。数据显示，实际使用的工具使用寿命仅为其预期寿命的50%到80%[4]，而更换工具的停机时间占总停机时间的20%以上[5]，从而增加了生产周期和总体成本。通过持续监测工具状态并运用工具磨损预测分析，可以及时更换工具，从而确保加工过程的质量、精度和效率。在机床中实施工具磨损监测（TWM）系统已被证明可以通过减少停机时间和优化工具剩余使用寿命的利用来降低10%到40%的生产成本[6]。因此，在切削过程中准确预测工具磨损并在失效前及时更换工具对于确保生产顺利进行和提高产品质量具有重要的工程意义。
近年来，许多研究致力于系统地提高TWM的有效性和准确性，从而出现了多种工具磨损预测方法。这些方法可以根据其建模策略分为三类：基于物理的模型[9]、[10]、[11]、[12]、[13]、[14]、数据驱动的模型[15]、[16]、[17]、[18]、[19]和混合模型[21]、[22]、[23]、[24]。基于物理模型和数据驱动模型的预测方法在预测准确性和适用性方面仍存在局限性，这主要是由于工具磨损的固有随机性、磨损机制的复杂性、获取高质量模型训练数据的挑战以及预测准确性对数据质量的强烈依赖性。基于混合模型的预测方法有潜力结合基于物理和数据驱动方法的优点。然而，现有的混合方法仍然相对有限，通常需要开发与数据驱动模型特性和具体研究目标相匹配的适当基于物理的模型。这种复杂性限制了它们在多个领域的广泛应用。此外，当前关于基于物理的数据融合进行工具磨损预测的研究主要关注单一或特定物理因素的影响，从而带来了一定的局限性。因此，将多因素基于物理的模型有效整合到数据驱动模型中仍然是需要进一步研究的重点领域。
为了应对上述挑战，本文提出了一种基于物理和数据驱动的混合工具磨损预测模型，并采用了无迹卡尔曼滤波器（UKF）。这种方法旨在通过整合基于物理模型和数据驱动模型的优势来克服现有研究的瓶颈，从而提高工具磨损预测的准确性。与依赖数据的模型相比，所提出的方法表现出更强的泛化能力，并且比基于物理的模型具有更高的拟合精度。本研究的主要贡献如下：
(1)本研究提出了一种基于UKF的创新混合模型，该模型将开发的基于物理的模型与构建的数据驱动模型相结合，以实现高精度的动态工具磨损状态估计。其关键创新在于它不仅仅是对基于物理的模型和数据驱动模型的结果进行静态加权平均。通过将基于物理的磨损增量作为状态方程的先验，将数据驱动模型的输出作为观测值，UKF建立了双模型协作机制。在预测阶段，通过无迹变换捕获非线性动态特性；在更新阶段，卡尔曼增益动态调整两个模型之间的权重，从而实现准确的工具磨损状态估计。通过全面的实验验证，我们不仅证明了这种混合模型在预测准确性方面显著优于任何单一模型，更重要的是，它在面对未知切削条件时表现出出色的泛化能力和鲁棒性。这种混合模型显著提高了系统对动态加工条件的适应能力，同时保持了物理可解释性，为解决制造过程中的非线性状态估计问题提供了一种新的方法。
(2)用于端铣刀侧刃磨损的基于物理的模型结合了磨料磨损、粘附磨损和扩散磨损机制，清晰地表示了切削过程中的物理现象。与基于单一机制的模型相比，它代表了一个更全面的基于物理的模型。其强大的泛化能力使其能够应用于不同的材料和操作条件，并能够更深入地了解磨损机制。因此，基于物理的模型更符合现实世界的工业加工条件，为后续的混合建模提供了更坚实的基础。
(3)斯皮尔曼相关系数（SCC）用于对多域特征矩阵进行特征选择，有效降低了矩阵的复杂性，同时保留了数据中的非线性相关性。这种方法确保了关键信息的最小损失，从而显著提高了工具磨损预测的准确性，并为数据驱动模型提供了强大的支持。
本文的其余部分结构如下：第2节全面回顾了现有的工具磨损预测方法。第3节详细介绍了所提出的方法，包括整体框架和具体步骤。第4节介绍了实验设置和数据处理。第5节对比较结果和模型性能进行了全面分析。第6节提出了结论性意见，总结了关键发现并提出了未来研究的方向。
基于物理模型的预测方法
基于物理模型的预测方法利用物理原理和数学方法构建精确的工具磨损模型，从而提供了强大的可解释性，同时所需的数据量最小。基于物理的模型可以分为两类：分析模型[7]和经验模型[8]。这些模型从不同角度预测工具磨损，特别关注磨损机制。
研究方法
本文提出了一个基于UKF的工具磨损预测的整体框架，如图2所示。所提出的方法包括四个主要组成部分：基于物理的模型构建、数据处理、数据驱动模型的开发以及混合模型的构建。首先，基于物理的模型是通过分析模型建立的，用于端铣刀侧刃磨损预测，该模型结合了磨料磨损、粘附磨损和扩散磨损。
实验设置
在CNC机床上进行了铣削实验，以评估新开发的集成方法预测工具磨损的有效性。选用的工具是一种未经涂层的平头铣刀，由铝掺杂的高速钢制成，具有4个齿，直径为8毫米，前角为14°，后角为14°，螺旋角为35°。工件材料为模具钢，尺寸为30×45×50毫米。数据采集过程如图10所示。
基于物理模型的工具磨损预测
进行了第3.1节中建立的端铣刀侧刃磨损的分析模型的迭代计算。如图16所示，获得了整个工具磨损过程的预测结果。在使用铝掺杂的高速钢切削工具加工P20模具钢的工作条件下，切削温度相对较低，限制了材料的相互溶解性。因此，扩散磨损不明显。
结论
本研究提出了一种结合基于物理模型和数据驱动模型的工具磨损预测方法，该方法通过应用UKF显著提高了工具侧刃磨损预测的效率和准确性，同时保持了连续的加工操作。其有效性和优势通过在不同铣削条件下的广泛比较测试得到了验证。研究得出的主要结论如下：
(1)本研究
CRediT作者贡献声明
冯春华：撰写——审稿与编辑、撰写——初稿、验证、监督、资源管理、项目协调、方法论、资金获取、正式分析、概念化。叶辉：撰写——初稿、可视化、验证、软件开发、资源管理、方法论、调查、正式分析、数据整理、概念化。李卫东：撰写——审稿与编辑、监督、资源管理、项目协调、资金获取、概念化。黄志文：
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了国家自然科学基金（项目编号：51605294和51975444）、中国科学技术部（项目编号：G2022013009和G2023013011）以及上海市科学技术委员会（项目编号：23010503700）的资助。
