基于信号驱动建模的电化学加工自适应方法研究

《CIRP Annals》：Towards adaptive electrochemical machining via signal-based data-driven modelling

　　

电化学加工(ECM)尽管具备无接触加工与近乎无磨损等优势，却仍主要局限于中大批量与具备丰富先验经验的企业应用，其根本制约在于工艺设定高度依赖经验。可靠的过程监控是实现自适应与闭环控制(CLC)的前提。研究人员论证了如何借助基于历史加工信号训练的数据驱动模型监测工艺动态，从而直接从实测数据推断当前工艺状态，并为未来闭环过程控制奠定基础。

研究背景方面，电化学加工(ECM)依靠阳极材料溶解实现去除，因无接触、无刀具磨损且不受材料硬度限制，在航空航天、能源与医疗器械中复杂几何与难加工合金（如Inconel 718）场景具显著优势；但工业应用仍受限于中大批量与专家经验，核心痛点为极间间隙(IEG)难以原位测量、多物理场耦合动态复杂、电解液稳定性影响件质，导致现行静态参数开环加工须留大安全裕度，偶发短路(SC)会损毁工模具。为此，研究人员指出以高采样过程信号融合领域知识、借数据驱动范式突破经验 heuristic 成为必然路径，本文即在《CIRP Annals》提出面向脉冲ECM的信号基离线状态观测器(SO)并论证其向在线闭环演化的可行性。

关键技术方法上，研究人员在EMAG PTS 1500设备上以三种阴极构型(CatGeo1–3)、不锈钢1.4301与Inconel 718工件、NaNO?电解液开展非稳态脉冲下沉实验，刻意以高进给/低冲洗压力诱发短路(SC)，累计>20 h信号含40次SC；对电流脉冲做特征提取，以无监督聚类划分稳定/临界稳定/不稳定三态标签构建约8万脉冲训练集，跨参数空间（压力3–10 bar、进给0.15–1.5 mm/min、电压18–24 V、t_on 3–10 ms、t_off 3–25 ms、机械振荡0–50 Hz）训练随机森林(RF)与神经网络(NN)两类分类器，并以4组未见参数校验、4组独立测试评泛化；在线端采用LabVIEW-Python混合架构，以平坦序列结构测算单脉冲推理时延，限定输入≤800样本使耗时<10 ms匹配脉冲关断窗。

研究结果各节要点如下。第1节引言阐明ECM受限根源与CLC缺失因由，提出以SO推断SC前兆。第2节目标与方法中，研究人员扩展前期单电流SO实验范围，定义三稳态判据，明确以脉冲电流形状特征映射间隙演化。第3节实验设置与结果显示，初始IEG偏大时系统自动缩隙致电流升、冲洗压升；降压2 bar即可促SC，证实耦合动力学主导；CatGeo1–3主动面积与流道重定向差异构成非稳态来源。第4节数据驱动建模与在线框架中，RF与NN混淆矩阵表明邻类误判为主、RF准确率优于NN；独立测试集上两模型均连续追踪稳定→临界→不稳定→SC轨迹，无SC trial仅偶判临界；在线测算显示NN推理时间随数组长度近似线性且显著短于RF，故以微损精度换确定性时延选NN，输入截800样点保<10 ms低于典型t_off。第5节总结与展望指出该SO为脉冲ECM有效、可迁至DC-ECM间歇诊断脉冲，未来嵌ANFIS与高保真数字孪生(DT)、增强可解释性与回归纠偏。

讨论与结论翻译浓缩：本研究呈现一套基于加工信号的非稳态ECM稳定性监控数据驱动框架，通过电流脉冲动态分析与特征工程定义三稳态并映射IEG演化；无监督聚类识别SC前兆脉冲形貌变化，有监督ML模型学得该结构并提供可靠状态评估，结论对脉冲ECM变体成立。在线侧混合框架与推理时延评估为SO接入CLC提供基座。研究人员结论强调，经验启发式ECM工艺开发可借此类模型获得支撑，未来需调超参、融物理信息、解黑箱可信度，以趋近自适应闭环加工。