使用多域特征和量化注意力嵌入的卷积神经网络（CNN）的刀具磨损预测

《Measurement: Sensors》：Tool wear prediction using multi-domain features and quantised attention embedded CNN

　　

在精密制造中，精确的刀具磨损预测对于维持生产质量和效率至关重要。本文介绍了一种新颖的预测模型，该模型采用多分支卷积神经网络（multi-CNN），并通过注意力机制和贝叶斯优化增强，以高精度预测刀具磨损。所提出的方法使用公开数据集进行评估，该数据集包含从加工过程中获取的力和扭矩测量值。通过结合时域（TD）、频域（FD）和离散小波变换（DWT）特征，该模型全面分析加工过程中的信号，实现稳健的预测。注意力机制战略性地强调重要特征，增强了模型的预测能力。结果显示，该模型具有优越性能，平均绝对误差（MAE）为2.8，均方根误差（RMSE）为3.4，R²得分为0.986，显著优于传统模型。此外，后训练量化优化了模型在边缘计算设备上的部署，在保持有效性的同时实现了轻量化，非常适合资源受限环境中的实时应用。本研究展示了先进机器学习技术如何改进制造业中的预测性维护，不仅提高了运营效率，还减少了停机时间。

在精密制造领域，刀具磨损的准确预测对于维持生产质量和效率至关重要。传统方法基于固定间隔更换刀具，导致刀具利用率仅达50%–80%，且约20%的机床停机由刀具故障引发。现有数据驱动方法虽能提取时域（TD）、频域（FD）和时频域特征，但面临计算复杂、手工特征提取繁琐以及难以部署于边缘设备等问题。针对这些挑战，研究人员提出了一种基于多分支卷积神经网络（multi-CNN）的预测框架，集成注意力机制和贝叶斯优化，并采用后训练量化（PTQ）实现轻量化，以提升预测精度和计算效率。该研究利用公开数据集（来自德国莱布尼茨汉诺威大学，包含9把硬质合金立铣刀的铣削实验数据，采集了力和扭矩信号）进行验证，论文发表在《Measurement: Sensors》上。主要结论包括：所提模型在测试集上达到平均绝对误差（MAE）为2.8μm，均方根误差（RMSE）为3.4μm，R²得分为0.986，显著优于传统模型；后训练量化后模型大小减小12倍，推理时间减少1.4倍，R²仅轻微下降至0.974；模型在噪声环境下仍保持鲁棒性。该研究为资源受限环境下的实时刀具磨损预测提供了高效解决方案，推动了预测性维护在制造业中的应用。

主要关键技术方法包括：特征工程从6个信号（X/Y/Z轴扭矩/力）中提取时域（6个统计量：均值、标准差、方差、最小值、最大值、中位数）、频域（5个频谱特征：功率谱密度和、最大值、主频率、频谱质心、频谱熵）和离散小波变换（DWT，6个系数×4个统计量：标准差、能量、熵）共210个特征。模型采用三分支并行卷积神经网络（CNN）架构，每个分支处理一个域的特征，然后通过注意力机制（softmax加权）对拼接后的特征向量进行加权，再经全连接层输出预测。超参数通过贝叶斯优化（基于高斯过程代理模型）自动调整。后训练量化（PTQ）利用TensorFlow Lite将模型转换为8位整数（INT8）和浮点（FP32）混合精度，以降低模型大小和推理时间。样本来源为公开数据集（Mendeley Data, Version 3），由Denk等人提供，包含9把刀具的铣削过程数据。

研究结果部分如下：

5.1 特征累积重要性：通过随机森林回归器（Gini重要性）分析，发现Force Sensor Y（Y轴力传感器）贡献最大（90.48%），表明该特征对刀具磨损预测最关键。

5.2 模型比较分析：将提出的模型与高斯朴素贝叶斯（GNB）、支持向量回归（SVR）、随机森林（RF）、深度神经网络（DNN）和标准CNN比较，提出的模型在MAE、RMSE和R²上均最优，R²达到0.986。

5.3 消融研究：通过移除注意力机制、贝叶斯优化和多分支架构，证明每个组件对性能提升的必要性。完整模型MAE=2.81，RMSE=3.46，R²=0.986；去除注意力后MAE=3.627；去除贝叶斯优化后MAE=4.577；单分支CNN MAE=6.94。

5.4 提出技术性能：贝叶斯优化过程在20次试验中第14次达到最优，验证MAE为2.81；训练损失在前60个epoch快速下降，随后趋于平稳。

5.5 注意力机制分析与比较：可视化注意力权重，发现Force Sensor Y权重最高，与特征重要性分析一致。与现有通道注意力机制相比，提出的特征级soft attention更简单有效。

5.6 与现有方法比较：与MFB-DCNN、Parallel CNN with Attention、HABPDL、MPCAN、1D CNN-LSTM比较，提出的模型在MAE、RMSE、R²上均最优。

5.7 原始模型与量化模型性能比较：量化后模型大小减小12倍，推理时间减少1.4倍，R²从0.986降至0.974，精度损失小于1.5%；量化模型存在轻微欠预测偏差，但整体一致性高。

5.8 噪声下模型鲁棒性：在1%–10%高斯噪声下测试，原始模型和量化模型在低噪声（1–3%）时表现良好，高噪声（10%）时R²仍高于0.9，展示鲁棒性。

总结讨论部分，研究人员强调了特征重要性分析中Force Sensor Y的主导作用，以及注意力机制与特征重要性的一致性。通过消融研究和模型比较，验证了多分支架构、注意力机制和贝叶斯优化对提升预测精度的必要性。后训练量化在显著降低计算资源需求的同时保持了高精度，量化模型在噪声下仍具有鲁棒性，适合边缘部署。研究结论如下：本研究提出并评估了一种基于多域特征的学习框架，用于精密制造中的刀具磨损预测。开发了集成时域、频域和离散小波变换（DWT）特征的多分支卷积神经网络（multi-CNN），以捕捉详细且动态的加工特性。专用的特征处理分支和注意力机制实现了有效的重要特征优先排序，提高了预测精度。采用贝叶斯优化进行超参数调优，取得了优异的预测性能，平均绝对误差（MAE）为2.8μm，均方根误差（RMSE）为3.4μm，R²得分为0.986。后训练量化显著减小了模型大小和推理时间，使其能够在资源受限的边缘设备上部署，性能指标仅略有下降（R²从0.986降至0.974）。所提出的框架在噪声下表现出鲁棒性，凸显了其在实际预测性维护应用中的适用性。未来工作将聚焦于增强特征选择策略、整合强化学习以实现自适应维护决策，并通过实际加工实验验证框架。