一种两阶段方法，通过潜在正则化盲去噪和机器学习来预测微划痕测试中的摩擦学变量

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A two-stage approach for predicting tribological variables via latent-regularized blind denoising and machine learning in microscratch testing

本文提出两阶段摩擦学预测方法，第一阶段采用隐式正则化盲去噪自编码器（LR-BDAE）提升力信号质量，第二阶段基于随机森林（RF）模型整合材料属性预测摩擦系数、去除体积等参数，实验表明SNR提升18.5dB，预测误差最大降低42.3%。

　　

安赫尔·比斯库波维奇（Angel Biskupovic）|瓦内萨·塞里亚科皮（Vanessa Seriacopi）|莫德斯特·瓦尔西·莫雷拉·洛佩斯（Modesto Valci Moreira Lopes）|伊扎贝尔·费尔南达·马查多（Izabel Fernanda Machado）

圣保罗大学理工学院，机电一体化与机械系统工程系，梅洛·莫拉埃斯教授大道（Av. Prof. Mello Moraes）2231号，圣保罗，邮编：05508-030，巴西

摘要

在摩擦学领域，预测模型的发展已成为预测关键过程变量的工具。穿透深度、切向力、去除的体积、摩擦系数和比能量是减少能量消耗和摩擦磨损损失的关键参数。本文提出了一种两阶段方法，该方法结合了信号去噪和预测建模。在第一阶段，使用具有对比学习和时间平滑约束的循环自动编码器（recurrent autoencoder）来以无监督的方式提高力和位置信号的质量。在第二阶段，随机森林（Random Forest，RF）模型在整合材料机械特性的同时估计摩擦学变量，以提高模型的泛化能力。该方法通过在四种钢材（AISI 303、304、310和H13）上进行的微划痕测试进行了验证，测试载荷在40至100 mN之间，从而能够分析微观尺度上的材料依赖性摩擦学响应。与传统滤波器（Savitzky–Golay、移动平均）和数据驱动基线方法（EMD、DAE）相比，所提出的潜在正则化盲去噪自动编码器（LR-BDAE）实现了最高的信号保留率，平均信噪比提高了18.5 dB，不同材料之间的皮尔逊相关系数超过0.93。当该方法应用于预测阶段时，去噪效果显著提高了模型的一致性，切向力的均方误差降低了42.3%，穿透深度降低了36.6%，摩擦系数降低了25.2%，去除体积降低了20.8%，比能量的最小增益为5.1%。结合材料特性后，比能量的增益进一步提高了26.2%，证明了该方法在不同钢材上的鲁棒性，并支持其适用于其他具有噪声多传感器数据的摩擦学系统。

引言

摩擦学在各个工业领域中起着重要作用，因为它对能源消耗、全球经济和环境有着重大影响[1]。全球大约23%的能源消耗归因于摩擦学接触中的摩擦和磨损损失，其中约20%用于克服各种工业和运输应用中的摩擦[2]、[3]。 $R^2$ 为了减轻这些损失，人们开发了新的摩擦学技术，如纳米技术混合材料和先进的生物润滑剂。研究表明，使用混合材料可以将摩擦系数降低多达62%，金属表面的磨损减少近80%[4]。 与此同时，数据驱动的预测模型已成为设计和监测摩擦学系统的替代方案。通过估计摩擦系数、比能量或去除的材料体积等变量，这些模型能够预测系统性能并降低与能源消耗相关的成本。然而，将材料属性作为输入变量至关重要，以确保模型的泛化能力。例如，研究表明碳化物取向显著影响划痕测试中的耐磨性[5]，而铸件中的微观结构异质性可能导致优先磨损路径和体积损失的显著变化[6]。这些研究强调，将材料特定特性纳入预测模型不仅可以提高准确性，还能增强不同材料和应用之间的可转移性。 近年来，数据驱动建模算法的应用显著增加。基于机器学习（ML）的算法使得预测摩擦系数（COF）、粗糙度、磨损率和润滑情况等变量成为可能[7]、[8]。此外，通过包含优化算法来找到模型的最佳超参数，可以提高模型的准确性和泛化能力。与经验模型相比，这些数据驱动模型的优势在于计算资源消耗低，并且能够适应各种工艺条件和材料[7]、[9]。然而，需要注意的是，收集和预处理足够数量的高质量输入数据可能成本高昂，这通常是特定于问题的。 多项研究展示了机器学习模型在摩擦学领域的潜力。例如，[10]使用XGBoost和多层感知器准确预测了高熵氮化物涂层（FeCoCrNiAlN）的摩擦系数，强调了包含机械和摩擦学参数的重要性。类似地，[11]使用人工神经网络研究了添加碳化钨和粉煤灰的铝基复合材料的磨损行为，证实了微观结构均匀性和增强分散对模型性能的直接影响。另一方面，[12]提出了一种混合神经网络，用于预测基于PA6的摩擦材料的摩擦学特性，结合了传播网络和通过遗传算法优化的径向基函数。通过考虑成分、施加的载荷和滑动速度，他们的模型在预测摩擦系数和磨损方面取得了高精度，为摩擦学变量建模树立了先例。 这些研究表明，准确的摩擦学建模需要整合材料属性和动态过程变量。然而，这些方法假设输入数据是干净的，而在实验摩擦学中，由于传感器噪声和非线性干扰，这一假设往往不成立。因此，提高预测的鲁棒性需要引入信号处理或噪声去除策略。 尽管数据驱动的摩擦学建模取得了进展，但实验信号的质量和完整性仍是一个主要挑战。摩擦学测量涉及机械振动、摩擦不稳定性和微观干扰，导致数据噪声较大且不一致[13]。在结构健康监测中也会遇到类似问题，需要去噪或压缩振动信号以提取有意义的信息，这促使人们开发了深度学习架构，如自动编码器或向量量化模型[14]、[15]、[16]。然而，在摩擦学领域，仍缺乏能够清理采集信号的专用滤波器的集成。尽管无监督自动编码器在补偿噪声和环境变化（如超声导波信号中的温度效应）方面显示出潜力[17]，但这些技术尚未应用于摩擦学数据。此外，目前还没有将鲁棒的盲去噪方法（特别是自监督深度学习方法）与数据驱动的摩擦学预测框架结合起来的研究[13]。解决这一差距对于提高预测准确性、鲁棒性和这些方法的工业应用性至关重要。 最近的研究探索了基于信号的方法来提高建模前的数据质量。例如，[18]提出了一种通过光谱分解和聚类来监测和重建磨损进展的方法，而[19]使用深度模型（如非线性自回归外生模型（NARX）和长短期记忆（LSTM）分析了摩擦引起的声学信号。同样，[20]使用低通滤波和时频特征提取研究了口腔摩擦，表明仔细的信号分析可以揭示诸如粘滑等潜在机制。尽管这些方法对时频分析有用，但它们在不同材料间的泛化能力较弱，且缺乏学习潜在表示的机制。 最近的深度学习框架试图通过自监督或生成方法来解决信号退化问题[21]、[22]、[23]。Langarica等人的工作[23]提出了一种用于实时过滤工业物联网传感器数据的对比盲去噪自动编码器（CB-DAE），通过应用对比正则化实现无监督噪声去除。 同样，张等人[24]引入了一种具有去噪意识的对比学习框架（DECL），在变化噪声水平下优化了特征鲁棒性。此外，在计算机视觉任务中还探索了变分自动编码器的对比先验[25]，证明了它们在图像数据集中增强潜在可分性和生成质量的能力。 然而，这些对比变分自动编码器（VAE）公式适用于空间静态数据，并依赖于独立同分布（i.i.d.）样本，而摩擦学信号是时间依赖的、非平稳的，并且具有突然的瞬态事件，这挑战了时间独立性的假设。 相关的生成方法——如用于轴承预测的向量量化VAE（VQ-VAE）模型[26]和用于异常检测的对抗性VAE[27]——也假设了平滑的时间行为，无法保持受粘滑效应主导的信号的物理一致性。即使是最近关于摩擦信号去噪或通过声学发射进行磨损监测的研究[28]、[29]，也依赖于预定义的滤波器假设或有限频率响应，限制了它们对非平稳实验数据的泛化能力。 这些局限性突显了需要能够处理非平稳、噪声主导的摩擦学信号的去噪策略，同时保持其时间和物理一致性。 本研究提出了一种两阶段方法，用于从实验信号预测摩擦学变量。在第一阶段，应用具有潜在正则化和时间对比学习的盲去噪自动编码器（LR-BDAE）以无监督的方式提高信号质量。这种最初为图像设计的架构在这里首次应用于摩擦学领域，并适应了时间序列传感器信号。在第二阶段，使用机器学习模型预测关键摩擦学变量，如穿透深度、摩擦系数、去除的体积、切向力和总比能量。通过将材料属性作为模型输入，该方法在不同材料间实现了泛化，提高了在噪声实验条件下的鲁棒性，并为多种材料和工业场景建立了可转移的框架。 本文的其余部分组织如下：第2节介绍了所提出的方法，包括LR-BDAE架构、潜在空间正则化和预测建模阶段。第3节描述了实验设置和结果，评估了所提出方法与传统方法的性能。最后，第4节总结了结论并指出了未来工作的方向。

一般描述

本研究提出了一种两阶段方法，用于从正常力和位置等信号预测摩擦学变量（图1）。此外，还包括材料的机械属性（即密度、弹性模量、泊松比和硬度）作为输入变量，以提供材料特定的背景信息。第一阶段是一个具有潜在正则化的循环自动编码器，称为潜在正则化盲去噪自动编码器（LR-BDAE）。

过滤信号与噪声信号之间的比较

本节验证了所提出方法的过滤阶段。为了评估其有效性，选择了在交叉验证中表现最好的模型，该模型使用了20%的未见数据（约39,000个样本）。去噪过程使用了经过训练的潜在正则化自动编码器，从噪声输入中重建干净信号，从而学习了力的动态的非线性表示。 图7显示了每个信号的噪声信号和过滤信号之间的比较图。

结论

本研究提出了一种两阶段方法，用于从噪声实验信号中预测摩擦学变量。所提出的方法使用潜在正则化盲去噪自动编码器（LR-BDAE）进行无监督盲过滤。第二阶段实现了将过滤信号与材料的机械属性相结合的机器学习模型，从而提高了泛化能力。 结果显示信号质量得到改善，

CRediT作者贡献声明

安赫尔·比斯库波维奇（Angel Biskupovic）：撰写——审稿与编辑、撰写——初稿、软件开发、方法论研究、形式分析、概念化。瓦内萨·塞里亚科皮（Vanessa Seriacopi）：撰写——审稿与编辑、撰写——初稿、研究、数据整理。莫德斯特·瓦尔西·莫雷拉·洛佩斯（Modesto Valci Moreira Lopes）：撰写——审稿与编辑、撰写——初稿、研究。伊扎贝尔·费尔南达·马查多（Izabel Fernanda Machado）：撰写——审稿与编辑、撰写——初稿、监督、研究、资金获取。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：安赫尔·比斯库波维奇报告称获得了圣保罗州研究基金会（State of S?o Paulo Research Foundation）的财务支持。伊扎贝尔·费尔南达·马查多报告称获得了国家科学技术发展委员会（National Council for Scientific and Technological Development）的财务支持。伊扎贝尔·费尔南达·马查多还报告获得了高等教育人员改进协调委员会（Coordination of Higher Education Personnel Improvement）的财务支持。

致谢

本文档是圣保罗研究基金会 - FAPESP（项目编号：2024/08550-4）、圣保罗研究基金会 - FAPESP（项目编号：2024/02750-1）、国家科学技术发展委员会 - CNPq以及高等教育人员改进协调委员会 - CAPES资助的研究项目的结果。