《Sensors》：Wear Status Monitoring Method of Milling Cutter Under Variable Working Conditions Based on Transfer Learning and Lightweight SqueezeNet Model
编辑推荐：
在现有的刀具磨损状态监测过程中，不同加工条件下刀具磨损信号特征分布存在差异，导致模型泛化能力不足及磨损状态识别精度较差。针对此问题，研究人员提出了一种基于迁移学习(Transfer Learning)和轻量化SqueezeNet模型的变工况下铣刀磨损状态监测方
在现有的刀具磨损状态监测过程中，不同加工条件下刀具磨损信号特征分布存在差异，导致模型泛化能力不足及磨损状态识别精度较差。针对此问题，研究人员提出了一种基于迁移学习(Transfer Learning)和轻量化SqueezeNet模型的变工况下铣刀磨损状态监测方法。首先，采用连续小波变换(Continuous Wavelet Transform, CWT)将原始振动信号转换为时–频能量图，以完整保留振动信号在时域和频域的联合特征分布。其次，基于分阶段迁移学习策略和轻量化SqueezeNet建立变工况下铣刀磨损状态监测模型，实现不同铣削条件下铣刀磨损状态的自适应准确识别。最后，以三组不同铣削条件下的振动信号作为模型输入进行对比实验。实验结果表明，所提监测模型在变工况下测试集的识别准确率可达94.583%，高于LSTM-DBO-SVM模型的91.133%，证明了该方法在变工况下的准确性与可行性。
一、研究背景与目的
在智能制造系统加工环节中，刀具的运行状况直接影响制造过程的质量与效率。刀具磨损与破损是刀具失效的主要原因，不仅降低工件表面质量与尺寸精度，还会造成资源浪费甚至机床永久损坏。据统计，加工过程中约20%的机床停机由刀具磨损失效引起，3%–12%的生产成本与刀具磨损状态及其更换周期相关。部署刀具磨损状态监测系统可减少近四分之三的停机时间、降低30%维护成本并提升10%–50%生产效率。现有监测方法分为直接法（光学、电阻等）和间接法（基于切削力、振动、声发射等信号结合人工智能算法），其中间接法应用最广。随着深度学习的发展，基于卷积神经网络(CNN)、长短时记忆网络(LSTM)等的方法被广泛用于刀具磨损监测，但由于不同工况下信号特征分布不满足独立同分布假设，大多数模型仅适用于单一工况，泛化能力差。虽引入迁移学习解决跨域问题，但仍存在输入数据特征表征不完整、预训练模型结构复杂导致过拟合及训练耗时长等问题。因此，研究人员开展本研究，拟通过连续小波变换(CWT)获取完备时频特征并结合轻量化SqueezeNet与分阶段迁移学习，构建适用于变工况的铣刀磨损状态监测模型，并在《Sensors》期刊发表研究成果。
二、关键技术方法
研究人员选用TJ-V855三轴数控机床，采用四刃硬质合金立铣刀(φ10mm×75mm×30mm)对45#钢工件进行全生命周期铣削实验，设置三种不同铣削参数（主轴转速、进给速度、切削深度）构成变工况样本队列。利用三轴振动传感器(PC-ZD-03D)以20kHz采样频率采集X、Y、Z轴振动信号（Y轴因能量弱未采用），通过光学显微镜测量后刀面磨损带宽度VB判定磨损阶段（初始磨损VB≤0.08mm、正常磨损0.08mm0.3mm）。关键技术方法包括：(1)对X、Z轴一维振动信号使用复Morlet小波(CMOR3-3)进行连续小波变换(CWT)，生成RGB二维时频能量图作为输入；(2)构建以Fire模块为核心、用全局平均池化替代全连接层的轻量化SqueezeNet卷积神经网络模型；(3)采用分阶段迁移学习策略——先用工况1数据完整预训练SqueezeNet，保存参数作为初始权重，再对工况2、3的新数据冻结底层特征提取层、仅微调高层卷积层与分类层进行跨工况自适应。
三、研究结果
3.1. Experimental Design
研究人员在三种不同铣削参数下开展铣刀全寿命磨损实验，采集X、Z轴振动信号并以VB值标注为三类磨损状态，经X/Z轴信号解耦后样本量加倍，形成各工况下初始磨损、正常磨损、剧烈磨损的样本分布数据集。
3.2.1. CWT Time–Frequency Diagram Extraction
对预处理后(保留0–7000Hz稳定铣削段、剔除标准差异常点)的一维振动信号进行CWT变换生成时频图。分析表明：随时间域振幅增大、频谱低频齿通过频率能量增强，时频图中低频能量带亮度逐渐增高增宽、高频出现大面积连续亮斑，整体结构由清晰规则演变为模糊弥散，较单独时域/频域图能同时捕捉时频域磨损演化特征，验证了时频图作为SqueezeNet输入的有效性。
3.2.2. Model Verification
用工况1时频图按4:1划分训练/测试集预训练SqueezeNet，准确率上升且损失下降无过拟合。在此基础上冻结低层参数，引入工况2、3时频图按1:1划分进行微调。结果显示：工况2训练集与测试集识别准确率分别为92.365%和94.581%；工况3分别为91.404%和93.220%。混淆矩阵显示严重磨损阶段误判率相对略高（工况2测试集严重磨损误判为正常磨损占12.2%，工况3为11.6%），整体分类性能均衡。
3.2.3. Comparative Study
在相同数据集上对比LSTM-DBO-SVM模型。工况2下LSTM-DBO-SVM测试集严重磨损类别约62.5%被误判为正常磨损，整体测试集准确率低于所提方法3.448%；工况3下LSTM-DBO-SVM测试集准确率低于所提方法6.295%（所提模型测试集准确率93.220%）。所提方法在严重磨损阶段测试集识别率达87.8%（工况2），较LSTM-DBO-SVM提升约25.3个百分点，证明时频图结合SqueezeNet及迁移学习对变工况具有更强泛化能力与特征表达能力。
四、讨论与结论翻译
讨论指出，CWT时频图保留了信号时频联合分布特征，轻量化SqueezeNet通过Fire模块有效提取空间–频域联合特征，分阶段迁移学习使模型在保留旧工况基础特征的同时适应新工况分布偏移，从而解决传统深度模型在变工况下泛化差及大模型参数量过多的问题。所提模型在严重磨损阶段识别优势明显，适合变工况铣刀磨损监测场景。
结论翻译如下：
针对因不同加工条件下信号特征分布差异导致刀具磨损状态监测模型泛化能力不足及磨损状态识别精度低的问题，研究人员提出一种基于迁移学习(Transfer Learning)和轻量化SqueezeNet神经网络的变工况下刀具磨损状态监测方法。该方法主要采用连续小波变换(CWT, Continuous Wavelet Transform)对铣刀磨损振动信号进行时频转换处理，以完整保留信号在时域与频域的联合特征分布特性；利用轻量化SqueezeNet卷积神经网络提取关键特征，并结合分阶段模型迁移学习策略，实现变工况下铣刀磨损状态的自适应准确识别。通过实验验证该方法，主要发现如下：
(1) 本方法提出的铣刀磨损状态监测模型在不同工况下的识别准确率接近且均处于较高水平。具体而言，工况2下训练集与测试集准确率分别达92.365%和94.581%；工况3下对应准确率分别为91.404%和93.220%。
(2) 与LSTM-DBO-SVM模型相比，本方法提出的铣刀磨损状态监测模型在变工况下测试集识别准确率更高。工况2和工况3下测试集识别准确率分别提升3.448%和6.295%，表现出更强的泛化能力与稳定性。
(3) 本方法提出的铣刀磨损状态监测模型对铣刀严重磨损阶段的识别准确率显著高于LSTM-DBO-SVM模型，表明经CWT获得的时频图能更直观地表达铣刀磨损特征，从而增强了模型对不同工况的适应能力。
