基于深度学习的误差补偿用于高精度CNC加工

《Array》：Deep Learning-Based Error Compensation for High-Precision CNC Machining

　　

数控机床的加工精度是高端制造业中的关键因素。现有的深度学习方法往往忽略了控制误差生成的物理规律以及场到场映射的算子性质，导致泛化性和可解释性有限。本文提出了MEPINO（Mamba增强物理信息神经算子，Mamba-Enhanced Physics-Informed Neural Operator），一种用于CNC加工误差建模与补偿的新框架。该方法通过变分模态分解（Variational Mode Decomposition, VMD）进行多尺度误差分解，使用传感器图神经网络（Graph Neural Network, GNN）捕捉温度传感器之间的空间相关性，采用选择性状态空间模型（Mamba）进行高效的长序列时序编码，并利用傅里叶神经算子（Fourier Neural Operator, FNO）进行分辨率不变的误差场重构。科尔莫戈罗夫-阿诺德网络（Kolmogorov-Arnold Network, KAN）作为物理解码器，能够自动发现物理关系并增强可解释性。在三轴立式加工中心上的实验结果表明，与BP神经网络和标准LSTM相比，均方根误差（Root Mean Square Error, RMSE）分别改善了71.2%和58.6%。补偿后，平均绝对定位误差降低至2.43 μm，平均定位精度指标达到±2.8 μm，最大残差为8.67 μm。这些结果满足高端加工应用±5 μm的精度要求，但局部极端误差抑制仍有待进一步改进。

### 论文解读：基于深度学习的高精度CNC加工误差补偿

#### 研究背景与问题

在高端制造业中，数控（CNC）机床的加工精度是决定航空航天部件、医疗器械和精密仪器最终质量的关键因素。随着尺寸公差达到微米甚至亚微米级别，机床在加工过程中不可避免地受到多种误差源的影响，包括几何误差、热误差、力致误差和伺服系统误差。这些误差的耦合导致实际刀位与理论刀位产生偏差，严重制约了加工精度的进一步提升。早期误差补偿方法主要依赖解析建模和统计回归，如基于齐次变换矩阵的空间误差综合方法，但这些方法通常假设固定误差参数，难以捕捉高度非线性、时变和多源耦合的机床误差特性。近年来，基于长短期记忆网络（LSTM）的序列模型在工业时间序列预测中展示了较强能力，但多数方法侧重于时序建模，忽略了分布式传感器之间的空间相关性以及误差生成的底层物理机制。尽管物理信息神经网络（PINN）和图神经网络（GNN）被引入以融入领域知识，但现有方法仍将误差预测视为点对点的回归问题，而非场级的算子学习任务，限制了其分辨率不变性和泛化能力。此外，物理约束通常依赖预定义的控制方程，对于复杂机床系统难以精确获取。因此，研究人员提出了一种新的框架MEPINO（Mamba增强物理信息神经算子），旨在通过算子学习重构误差补偿问题，实现分辨率不变预测、更强泛化能力以及可解释的物理关系发现。该研究发表在《Array》。

#### 主要关键技术方法

研究人员使用来自DMG MORI CMX 50U三轴立式加工中心的实验数据集，该机床配备12个PT100温度传感器、Renishaw XL-80激光干涉仪和Kistler 9257B测力计，在温度受控车间（20±2°C）中采集数据，共28,750个样本，按时间分割为训练（70%）、验证（15%）和测试（15%）。关键技术方法包括：1）变分模态分解（VMD）将复合误差信号分解为低频（热误差趋势）、中频（几何与伺服误差）和高频（力致瞬态误差）分量；2）传感器图神经网络（GNN）根据传感器物理布局构建图结构，通过注意力消息传递捕捉空间相关性；3）选择性状态空间模型（Mamba）以线性复杂度处理长时序热序列，通过输入依赖的参数化实现内容感知的动态建模；4）傅里叶神经算子（FNO）在频域进行全局卷积，将离散传感器特征重构为连续的误差场，保持分辨率不变性；5）科尔莫戈罗夫-阿诺德网络（KAN）作为物理解码器，通过可学习的单变量样条函数自动发现物理关系，提供可解释性。多目标损失函数结合预测损失、物理一致性损失、平滑性正则化和KAN正则化，并通过GradNorm自适应平衡权重。

#### 研究结果

**实验设置**：在DMG MORI CMX 50U机床上进行热循环实验（连续8000 rpm运行4小时，自然冷却2小时，重复5个循环）和切削实验（铝合金端铣，主轴转速4000-10000 rpm），测量125个网格点的定位误差，同步记录温度、伺服信号和高频切削力。

**实验结果**：MEPINO在测试集上优于所有12种基线方法。与BP神经网络和标准LSTM相比，RMSE分别降低71.2%和58.6%，达到2.80 μm；平均绝对误差（MAE）为2.24 μm，最大绝对误差（MaxAE）为9.15 μm，决定系数（R²）为0.987。轴方向分析显示Z轴误差较大（RMSE 3.28 μm），但MEPINO仍优于其他方法。计算效率方面，MEPINO具有3.24M参数，每个训练周期45.2秒，推理时间1.12 ms/样本，满足实时控制周期5 ms的要求。

**消融分析**：移除各核心组件后RMSE均上升。去除FNO导致最大退化（RMSE增加48.2%），验证了算子学习对于分辨率不变场重构的关键性；移除Mamba时序编码器导致RMSE增加38.9%，表明选择性状态空间模型适应热变化的能力；去除传感器GNN导致RMSE增加29.3%，说明空间相关性的重要性；去除VMD分解导致RMSE增加23.9%；去除物理损失导致RMSE增加20.7%；用MLP替换KAN物理解码器导致RMSE增加15.7%；去除平滑性损失导致RMSE增加8.9%。此外，在热瞬态与稳态阶段，MEPINO的RMSE退化最小（53.2%），优于其他方法。在空间分辨率不变性测试中，MEPINO在15×15×15分辨率下仅退化8.9%，而GCN-LSTM退化32.4%。在输入序列长度测试中，MEPINO在4096步时仍保持2.42 μm RMSE，而Transformer和LSTM因内存限制失败，验证了Mamba线性复杂度的优势。

**讨论**：所有实验在受控车间环境下进行，未测试极端温度或高湿度条件；数据集覆盖有限范围的切削条件，推广到更硬材料或非常规工艺需要领域适应；跨机器验证限于三台同型号同制造商机床。通过可视化KAN学习到的边缘函数，验证了物理一致性：主轴平均温度与热膨胀呈近线性关系（斜率约0.8 μm/°C），符合钢的热膨胀系数；温度梯度与弯曲误差的非线性关系捕捉了材料属性随温度的变化；温度变化率与动态误差的非对称关系反映了轴承摩擦产热与结构热滞的耦合。这些可解释函数支持模型验证和异常识别。

**结论**：本文提出了MEPINO，一种基于物理信息神经算子的高精度CNC加工误差补偿新框架。通过将误差补偿重构为算子学习，实现了分辨率不变的预测和更强的泛化性。在三轴立式加工中心上的综合实验表明，与BP网络和LSTM相比，RMSE分别改善了71.2%和58.6%。补偿后，平均定位精度指标达到±2.8 μm，最大残差为8.67 μm。平均精度满足高精度加工±5 μm的要求，而进一步降低局部极端误差被确定为未来工作方向。所有实验均在受控车间环境中进行。在更极端温度变化或高湿度条件下的性能尚未测试。数据集覆盖了代表性但有限范围的切削条件。推广到更硬材料或非常规工艺需要领域适应。此外，本工作中的跨机器验证仅限于同一型号和制造商的三台机器。未来工作将沿着多个方向解决这些局限性。首先，计划在多种机床（包括五轴机床和不同品牌）上验证MEPINO，以建立跨平台泛化能力。将开发迁移学习策略，以最少的校准数据高效地将预训练模型适应新机器。其次，将追求轻量级架构设计，以便部署在资源受限的嵌入式控制器上，可能通过知识蒸馏或神经架构搜索。最后，与自适应加工策略集成，根据预测误差调整切削参数，可以实现超越被动补偿的闭环精度优化。