基于非线性动力学稀疏识别（SINDy）的刀具磨损状态预测方法

《Lubricants》：Tool Wear Condition Prediction Method Based on Sparse Identification of Nonlinear Dynamics (SINDy)

　　

摘要

目前用于监测刀具磨损的深度学习方法存在可解释性差的问题，难以揭示信号与磨损状态之间的内在关联。为解决这一问题，本文提出了一种基于稀疏非线性动力学识别（SINDy）的可解释刀具磨损监测方法。通过从切削力和声发射信号中提取多领域特征来构建时间序列，再利用SINDy算法识别出描述刀具磨损演变的常微分方程。同时采用“预测-验证-修正”的迭代机制来优化模型参数。实验结果表明，预测值与实际值之间的平均绝对百分比误差低于6%；而在跨条件测试中，最优模型的平均MAPE值甚至低至0.067%。这项研究为在线刀具磨损监测提供了有效的解决方案，具备高精度、强泛化能力以及良好的物理可解释性。