基于非侵入式射频技术的加工过程监测与控制，以提高微电火花加工的稳定性与效率

《Mechanical Systems and Signal Processing》：Non-invasive radio frequency (RF)-driven in-process monitoring and control for enhancing micro-electrical discharge machining stability and efficiency

　　姚泽宽|吴明|钱俊|多米尼克·雷纳尔茨比利时鲁汶大学机械工程系，鲁汶3001

摘要
在微电火花加工过程中，极窄的电极间隙以及复杂的间隙条件使得放电行为具有高度的随机性和动态性。通过检测放电模式和异常情况来监控加工过程，对于提升加工的稳定性和效率至关重要，尤其是与控制策略结合使用时。传统的电火花加工监控方法主要依赖电气传感器来识别脉冲并推断加工状态，然后通过统计指标将这些状态作为控制变量。然而，这些方法存在仪器成本高、易受工艺干扰以及无法捕捉瞬态动态的缺陷。为了解决这些问题，本文提出了一种基于射频技术的微电火花加工过程监控与控制方案，利用射频辐射的无侵入性特点，在脉冲序列层面实现对加工过程的监控。通过分析时间窗口内电压信号的积分值，定义了三种加工状态，简化了复杂的状态标注工作。鉴于这些射频信号具有高频但信息量少的特点，本文构建了低维特征数据集用于加工状态识别。同时引入了一种混合分层深度学习模型，并经过评估，在不同工作条件下分类准确率可超过90%，平均准确率和加权准确率分别超过94%和96%，显示出该模型的可靠性和稳健性。基于识别出的加工状态，本文还开发了一种自适应伺服控制策略，并将其应用于深孔钻削场景，显著提升了加工的稳定性和效率。本研究将深度学习与过程控制相结合，为微电火花加工提供了一种低成本、高性能的监控系统，为智能微加工的发展提供了新的途径。未来的工作将集中在系统工程整合方面，探索与CNC平台和边缘计算之间的深度协同，以加速智能制造的发展。

引言
在微电火花加工过程中，放电现象发生在狭窄且复杂的电极间隙区域，同时伴随着流体动力学、热场和电场等多物理场的瞬态耦合效应[1]。这些相互作用使得加工过程具有内在的随机性、非线性和动态性，使得放电现象难以预测。这种不可预测性进一步成为了实现微电火花加工高效率和高稳定性的重要障碍。在此背景下，过程监控作为一种关键的支撑技术，有助于研究放电行为的特性。通过检测复杂的放电模式、状态变化及异常事件，可以为实现先进的工艺和质量控制提供重要支持[2]、[3]。

在微电火花加工中，基本的加工研究是建立放电脉冲与工件表面形成的熔坑之间的对应关系[4]。因此，过程监控主要涉及对单个放电脉冲的识别和分析。在现有的监控技术中，电气传感是最为广泛采用且经过验证的方法。它可以直接捕捉电极之间电压和电流的变化（即V/A脉冲特性），从而准确反映实际的放电状态。例如，Dauw等人[5]利用电压信号，通过设置两个预设阈值将放电分为四种基本类型。类似地，Yeo等人[6]则基于电流信号开发了一种两阶段脉冲分类方法。该方法首先通过分析放电周期内的电流峰值数量，将波形分为短路脉冲和电弧脉冲，然后再通过电流阈值对剩余脉冲进行进一步分类。在电火花加工过程中，电极间隙会经历一系列复杂的瞬态现象，包括等离子体通道的形成、气泡的快速膨胀与破裂、材料熔化以及碎屑的喷射。这些相互作用会产生结构波、冲击波以及高频弹性波动，从而产生微弱但可测量的声发射信号[7]。这些声学信息可以通过工件本身或空气传播，可以被适当放置的声发射传感器捕获。通过分析声波的幅度、频率和能量等关键特征，已经开展了多项研究，包括材料去除程度评估[8]、火花定位[9]、冲洗状态检测[10]以及断丝预测[11]。然而，由于声学信号生成机制的复杂性，建立声发射信号与单个放电事件之间可靠的一一对应关系仍然是一个重大挑战。另一方面，微电火花加工中的火花放电也会发出电磁辐射，因此射频信号成为监测电极间放电状态的另一种可行选择[12]。例如，Yao等人[13]提出了一种基于射频辐射的智能电火花加工放电状态监控方案，该方法成功识别出了六种典型的脉冲类型，其加权召回率超过了99%。在所有上述技术中，需要指出的是，射频监控具有独特的优势，即能够实现远程监测。这无需在加工区域附近放置传感器，从而避免了电气传输线的干扰，也降低了因布线问题导致停机风险的可能性。

然而，微电火花加工固有的高频放电特性导致单个放电脉冲的持续时间极短，因此无法反映整个加工过程的状态。诸如加工质量、效率和稳定性等关键指标往往不是由单个独立的放电事件决定的，而是由一系列连续脉冲的集体效应和相互作用共同影响的[14]。因此，监测和建模脉冲序列的动态演变对于理解宏观加工特性以及实现精确的在线控制至关重要。为此，Ye等人[15]对单个脉冲特征以及脉冲序列动态进行了全面分析。他们根据放电能量和放电时间间隔的分布定义了三种不同的加工状态，并利用深度学习模型实现了高精度的识别。类似地，Abhilash等人[16]将电气传感器融合与脉冲序列分析相结合，利用放电能量、火花频率、开路火花比和短路比等特征来预测线切割加工中的加工稳定性、剩余使用寿命以及断丝情况。Yang等人[17]则利用双通道声发射信号来识别线切割加工状态，通过脉冲面积的统计分布来确定状态标签。这些研究共同表明，脉冲序列包含更多与加工相关的信息，包括脉冲比率、放电顺序以及时间结构特征。这强调了在电火花加工过程中，也需要运用脉冲序列层面的分析来推进智能监控和控制的发展。

如前所述，电火花加工本质上是随机且随时间变化的，这使得加工效率会随着时间的推移而持续波动。早期的研究主要采用实验设计方法来研究各种工艺参数对特定性能目标的影响，随后再应用优化算法来确定最佳的参数组合，以获得更好的加工效果[18]。然而，这种方法的一个关键局限在于，一旦确定了最佳参数，这些参数通常会在整个加工过程中保持不变，而不考虑加工状态可能发生的任何变化。从统计学上得出的最佳参数可能适用于初始或理想化的情况，但往往无法适应不同工作条件下的动态变化。在某些情况下，这些参数甚至可能抑制正常的放电行为。为了解决这一局限，人们提出了工艺控制策略，以便根据实时的加工反馈动态调整工艺参数，从而提升整体性能。例如，Sun等人[19]实施了一种策略，根据观测到的间隙电压和伺服参考电压自适应调整伺服灵敏度，旨在保持稳定的放电状态。这种方法通过一系列多轴罩式叶轮加工实验得到了验证，使加工效率提升了28.02%。Zhou等人[20]则开发了一种自适应间隙控制系统，通过分析间隙电压和电流采样信号来识别电极间的放电脉冲。该系统以与加工稳定性和效率密切相关的电弧比作为控制变量。与传统电火花加工相比，这种方法使加工深度提升了三倍以上。

过程监控是微电火花加工中实现有效工艺控制的基础和前提。这两项功能都依赖于对加工状态的准确感知和判断，而这又需要可靠地获取和分析关键信号。尽管已经探索了多种传感方法，但无干扰且高质量的监控解决方案仍然是核心，尤其是那些具备无线功能的传感器（如射频天线）。在加工状态识别方面，传统方法通常依赖于基于统计指标的经验模型。虽然这些方法相对容易实现，但往往难以捕捉瞬态和复杂加工条件下的动态放电模式。我们之前的研究从离线角度出发，利用统计和建模方法探讨了不同工作条件对射频信号的影响，并证明了在电火花加工中应用射频传感的可行性[12]。然而，那项研究仅关注单脉冲放电行为，缺乏对射频领域内脉冲序列层面监控与控制的系统研究及实际应用（两项研究的对比见表1）。此外，目前仍缺乏具有强物理可解释性的有效且可靠的加工状态评估方法。

为了解决这些挑战，本文提出了一种基于射频技术的、在脉冲序列层面用于智能微电火花加工的过程监控与自适应控制新方案，旨在监测随时间变化的工艺条件，提升加工的稳定性和效率。首先，利用基于物理的决策逻辑对各种脉冲序列进行分析和评估，从而确定相应的加工状态。接着，开发了一种混合深度学习模型，用于捕捉脉冲序列中射频特征的演化特性，进而预测动态的加工状态。最后，根据识别出的监控结果实施自适应控制，以微调工艺稳定性。本文的主要贡献如下：
(1) 基于电压积分值定义了三种不同的加工状态单元，为每个脉冲序列提供了简洁可靠的工艺状态标签。这一定义是通过全面分析连续放电波形以及各种脉冲类型的相应电学特征而得出的。
(2) 提出了一种用于过程加工状态监控和识别的分层深度学习框架。系统地比较了不同架构配置的预测性能，最终模型在三种不同工作条件下的三个测试数据集中均展现出出色的泛化能力。
(3) 开发了一种自适应伺服控制策略，该策略利用识别出的加工状态作为反馈，实时动态调整伺服参数。在深孔钻削场景中验证了该策略的实用性和有效性，它显著提升了加工的稳定性和效率。

本文的结构如下。第2节介绍了所提出的基于射频技术的过程监控与控制系统的整体框架，详细阐述了研究思路和关键方法。第3节描述了微电火花加工监控实验的设计以及用于构建数据集的传感器信号采集过程。第4节分析了随时间变化的过程信号，并提出了一种新颖且简洁的加工状态标注方法。第5节重点研究了基于射频特征的加工状态识别问题，全面评估了在不同工作条件下的模型架构和预测性能。第6节基于识别出的加工状态制定了自适应控制策略，并通过深孔钻削实验验证了其有效性，该节还包含了对实验结果的详细讨论。最后，第7节总结了本研究内容，并指出了未来研究的潜在方向。

片段摘录
基于射频技术的过程监控与控制框架
微电火花加工的基本加工单元与单次放电相关，可以通过将工件上的熔坑与脉冲波形相对应来进行研究。通过区分不同的脉冲，可以深入了解加工的稳定性，从而为改进控制策略和提高电火花加工效率提供支持。与单一传感器相比，多传感器融合虽然能提供更丰富的信息，但也会增加数据维度，大幅扩大数据集规模，带来一定的挑战。

监控实验
如图2所示，监控实验是使用一台三轴桌面式微电火花加工机（SARIX? SX-100-HPM）进行的，该机器主要由控制器、机床、人机界面以及冲洗系统组成。这台机器配备了最新的PULSAR?电源，该电源包含晶体管型和RC型发生器。通过电气参数能量指数（EI）可以配置发生器模式，以满足不同的表面质量要求。

微电火花加工中加工状态的定义
如前所述，微电火花加工的特点是具有高频（100 kHz）的放电现象。将每个放电脉冲（微秒级）视为当前加工状态的直接指标，并根据每个脉冲调整伺服参数，这种方法并不适合实际应用。首先，数据通信中存在的固有延迟（TCP/IP协议下为毫秒级）使得基于单脉冲级别的数据采集与响应无法满足实时工艺控制的要求。从计算时序角度来看，由于射频信号采样率很高，每个时间窗口内都包含大量数据点。直接将原始信号输入深度学习模型不仅会增加模型的复杂性，还会带来较高的计算和训练成本。为应对这些挑战，本部分采用特征提取方法对射频信号进行预处理。通过提取具有代表性的特征，该方法能够在大幅降低数据维度的同时保留信号的关键信息。

自适应控制策略在实际加工过程中，电极与工件之间的持续材料侵蚀会动态改变二者之间的距离。通常，三轴电火花钻孔/铣削机床是通过调节Z轴的伺服控制运动来维持放电稳定性的。虽然不同机床的具体控制参数可能有所不同，但它们通常包括进给速率以及伺服参数[19]，以此来控制间隙距离，确保加工的稳定性与高效性。伺服参数

结论在微电火花加工中，诸如介电流、碎屑堆积、气泡生成与破裂等复杂的间隙状况，使得加工过程呈现出高度动态、随机和非线性的特点。因此，如何保持放电的稳定性与加工效率一直是一个长期存在的研究问题。本文提出了基于射频技术的加工过程中脉冲序列监测及自适应伺服控制方法，以实现稳定的电火花加工。其主要贡献可总结为：(1) 加工过程

CRediT作者贡献声明姚泽全：撰写——初稿、可视化、验证、方法论、研究分析。吴明：撰写——审阅与编辑、方法论。钱军：撰写——审阅与编辑、研究分析。多米尼克·雷纳茨：撰写——审阅与编辑、监督、资源协调、概念设计。

利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。

致谢本研究得到了Flanders Make的支持。作者们还要感谢比利时联邦科学政策办公室（BELSPO）在欧洲航天局（ESA）PRODEX计划框架下提供的财政支持，合同编号为PEA 4000131558。同时，作者们也对中国国家留学基金委的支持表示感谢。